基于多源融合技术的转子系统载荷识别研究

发布时间：2017-08-01 17:15

  本文关键词：基于多源融合技术的转子系统载荷识别研究

  更多相关文章： 转子系统 振动 电机电流 多源融合 载荷类型识别 载荷定量识别

【摘要】：本课题针对机械装备转子系统结构复杂、承受载荷大、驱动电机功率大、振动问题突出、影响载荷与故障的因素多的特点而提出,对系统进行载荷识别以保证机械装备可靠安全的运行。旋转机械应用广泛。转子系统,作为旋转机械的核心部件,对其监测尤为重要。在电机拖动的转子系统中,当系统受到扭矩激励的载荷时,载荷特性会反应到响应信号中。其中,振动信号易采集,能够很好地反映载荷的作用时刻和强度信息;拖动电机的定子电流信号,由于电磁转矩的联系,也包含有载荷的特征信息,可以作为识别载荷的重要信息。因此,这两类信号可以作为载荷识别的信息来源。本文通过搭建的转子试验台,进行了稳态、冲击、线性、正弦4种不同类型的载荷激励试验,采集了转子系统的振动信号和拖动电机的电流信号。基于振动信号常含有噪声的特点,提出一种改进的阈值处理函数,对振动信号进行了降噪;基于电机电流信号中特征谱容易淹没于工频谱的特点,提出了奇异值分解,对工频分量进行了弱化,凸显了特征分量。对两类信号预处理之后,分别进行了载荷的类型识别和载荷的定量识别。在不同类型载荷作用下,针对振动信号,引入分形理论中的关联维数,在时域进行数值化特征提取,揭示载荷类型与振动特征量的映射关系,提出了基于振动信号进行转子系统载荷类型辨识的思路。针对电流信号,利用小波包分解,在频域提取信号的能量特征分布,形成特征向量,建立载荷类型与特征向量的映射关系,提出基于电流信号进行转子系统载荷类型识别的思路。针对单源信号在载荷类型识别中的局限性,综合振动信号和电流信号,提出了基于贝叶斯估计的多源融合技术,构建载荷类型与两种响应信号特征量的映射关系,为载荷类型辨识提供了新思路。针对载荷的定量识别,引入支持向量机机器学习方法。利用单源的振动信号和电流信号,通过回归型支持向量机,将稳态载荷作为训练样本,拟合出响应信号幅值与载荷数值的耦合关系模型。对于测试样本,输入选取的信号特征点的幅值,即可得到预测的载荷数值,通过离散的载荷数值拟合出载荷的公式或图线。针对单源信号在载荷定量识别中的不稳定性,提出了结合两种信号的多源融合技术,进行了载荷的定量识别,并证明了方法的可靠性。本文对载荷类型的识别,填补了载荷识别方面的部分空白。另外,本文提出的识别方法,均不需要考虑系统本身的参数,避免了繁琐的系统建模过程,可以用来解决其他相似问题。
【关键词】：转子系统 振动 电机电流 多源融合 载荷类型识别 载荷定量识别
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM303.3
【目录】：

• 摘要3-5
• ABSTRACT5-12
• 第一章 绪论12-20
• 1.1 引言12
• 1.2 选题目的及意义12-13
• 1.3 国内外研究动态13-17
• 1.3.1 基于电机电流的载荷识别13-15
• 1.3.2 基于振动信号的载荷识别15-16
• 1.3.3 多源融合技术16-17
• 1.4 研究目标和研究内容17-18
• 1.5 小结18-20
• 第二章 转子系统振动特征及其载荷类型识别20-32
• 2.1 引言20
• 2.2 振动信号特征20-21
• 2.3 小波降噪方法21-22
• 2.3.1 小波降噪原理与步骤21-22
• 2.3.2 降噪效果评判指标22
• 2.4 基于改进阈值函数的振动信号小波降噪22-27
• 2.4.1 传统阈值处理函数22-23
• 2.4.2 改进阈值处理函数23-24
• 2.4.3 改进阈值函数降噪的可行性分析24-26
• 2.4.4 振动信号的改进阈值小波降噪26-27
• 2.5 基于关联维数的载荷类型识别27-31
• 2.5.1 关联维数及其计算步骤27-29
• 2.5.2 振动信号的关联维数计算及载荷类型识别29-31
• 2.6 小结31-32
• 第三章 转子系统电机电流特征及其载荷类型识别32-46
• 3.1 引言32
• 3.2 电机电流信号特征32-34
• 3.3 基于奇异值分解的电机电流信号分析方法34-38
• 3.3.1 奇异值分解原理与步骤34-35
• 3.3.2 奇异值分解的可行性分析35-37
• 3.3.3 电机电流信号的奇异值分解37-38
• 3.4 基于小波包和B-P神经网络的载荷类型识别38-43
• 3.4.1 小波包能量特征提取原理38-39
• 3.4.2 BP神经网络原理39-40
• 3.4.3 电流信号的载荷类型识别40-43
• 3.5 小结43-46
• 第四章 多源融合技术的载荷类型识别46-54
• 4.1 引言46
• 4.2 多源融合技术原理46-48
• 4.2.1 多源融合技术简介46-47
• 4.2.2 多源融合技术特点47
• 4.2.3 多源融合技术分类47-48
• 4.2.4 多源信息融合方法48
• 4.3 贝叶斯估计原理48-50
• 4.3.1 贝叶斯统计理论48-49
• 4.3.2 贝叶斯估计分类原理49
• 4.3.3 贝叶斯估计分类步骤49-50
• 4.3.4 特殊情况处理50
• 4.4 基于贝叶斯估计的载荷类型识别50-53
• 4.4.1 确定特征属性50-51
• 4.4.2 统计先验分布51-52
• 4.4.3 测试样本分类52-53
• 4.4.4 识别效果分析53
• 4.5 小结53-54
• 第五章 基于多源融合技术的载荷定量识别54-66
• 5.1 引言54
• 5.2 载荷定量识别原理及可行性分析54-58
• 5.2.1 支持向量机基本原理54-57
• 5.2.2 载荷定量识别可行性分析57-58
• 5.3 单源信号的载荷定量识别58-63
• 5.3.1 特征点选取58
• 5.3.2 参数选取58-59
• 5.3.3 载荷定量识别59-63
• 5.4 多源融合的载荷定量识别63-65
• 5.4.1 四类载荷的定量识别64-65
• 5.4.2 载荷识别效果分析65
• 5.5 小结65-66
• 第六章 载荷识别试验66-80
• 6.1 引言66
• 6.2 载荷识别试验台简介66-68
• 6.3 试验测试系统设计68-74
• 6.3.1 测试系统功能设计68
• 6.3.2 转速控制方法68-69
• 6.3.3 载荷控制方法69-72
• 6.3.4 振动测试方法72
• 6.3.5 电机电流测试方法72-73
• 6.3.6 采集分析仪器设备选型设计73-74
• 6.4 试验方案设计74-76
• 6.4.1 试验目的74
• 6.4.2 试验内容74-75
• 6.4.3 试验步骤75
• 6.4.4 注意事项75-76
• 6.5 试验结果与分析76-79
• 6.6 小结79-80
• 第七章 结论与展望80-82
• 7.1 工作总结80
• 7.2 主要结论80-81
• 7.3 进一步工作展望81-82
• 参考文献82-87
• 致谢87-88
• 攻读学位期间发表的学术论文88

【相似文献】

中国期刊全文数据库 前10条

1 李龙跃;刘付显;刘永兰;齐德庆;;目标类型识别的改进灰关联模型[J];空军工程大学学报(自然科学版);2011年05期

2 葛文义;车辆轴承类型识别方法的探讨[J];哈铁科技通讯;1997年02期

3 屈志宏;齐晓林;李方;郭明威;;多传感器信息融合技术在目标飞机类型识别上的应用[J];火炮发射与控制学报;2008年03期

4 李大鹏;杨根源;李京;;基于粗糙自适应神经模糊推理的导弹类型识别[J];战术导弹技术;2012年04期

5 申清明;高建民;李成;;焊缝缺陷类型识别方法的研究[J];西安交通大学学报;2010年07期

6 冷画屏;吴晓锋;余永权;;水面目标机动类型识别研究[J];舰船科学技术;2007年04期

7 郭建亮;郭军;申卯兴;;基于二叉树支持向量机的空袭目标类型识别[J];现代防御技术;2009年01期

8 黄美发;张晶;匡兵;;基于自组织特征映射神经网络的零件加工尺寸类型识别[J];工程设计学报;2008年05期

9 杨扬;姚恩建;岳昊;刘宇环;;基于支持向量机的出行链活动类型识别研究[J];交通运输系统工程与信息;2010年06期

10 熊先泽;李言俊;张科;;基于信息管理与融合技术在目标类型识别上的研究[J];航天控制;2007年05期

中国重要报纸全文数据库 前1条

1 河北 周炳峻 刘峰 刘永红;手机锂离子电池浅析及变通利用[N];电子报;2002年

中国博士学位论文全文数据库 前2条

1 车红昆;非成像式超声检测缺陷类型识别关键技术及其应用研究[D];浙江大学;2011年

2 张鑫瑜;短波语音通话下的飞机类型识别研究[D];哈尔滨工程大学;2013年

中国硕士学位论文全文数据库 前10条

1 加力康;基于多源融合技术的转子系统载荷识别研究[D];太原理工大学;2016年

2 王一哲;事件类型识别问题研究[D];山东大学;2013年

3 曹鼎;文件类型识别技术研究[D];解放军信息工程大学;2011年

4 许潭潭;基于内容的数据碎片类型识别技术研究[D];杭州电子科技大学;2014年

5 张鑫瑜;基于短波通信的飞机类型识别[D];哈尔滨工程大学;2008年

6 李琥;银行单据类型识别研究与实现[D];浙江大学;2004年

7 邵素琳;基于机器视觉的烟叶梗茎检测与烟叶类型识别方法研究[D];南京理工大学;2013年

8 李亚奎;基于单目视觉的运动车辆类型识别[D];武汉理工大学;2008年

9 张杰;图像处理在车辆类型识别中的应用[D];武汉理工大学;2014年

10 刘峰;面向短波语音通信的飞机类型识别[D];哈尔滨工程大学;2009年

，

本文编号：605313