基于噪声辅助经验模态分解的低温高速轴承故障诊断方法研究
发布时间：2022-01-21 08:54
低温高速滚动轴承在运转过程中,常受各种背景噪声干扰。当轴承中存在早期弱故障时,故障特征常会被强噪声掩盖,致使难以获取故障特征。因此采用有效的诊断技术和方法,分析轴承振动数据,提取故障特征进而判别故障位置,对提高液体火箭安全可靠运行具有重要意义。本论文以“低温高速滚动轴承振动信号”为研究对象,使用完全噪声辅助经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Nosie,CEEMDAN）作为信号分析方法,使用支持向量机（Support Vector Machine,SVM）作为分类识别方法,主要研究内容包括信号降噪、特征值提取和识别轴承运行状态三个方面。具体如下:（1）针对轴承早期弱故障易被噪声掩盖的问题和轴承振动信号的非线性非平稳特性,引入经验模态分解（Empirieal Mode Decomposition,EMD）,研究了 EMD间隔阈值降噪方法。针对EMD算法中存在的模态混叠问题,研究提出一种改进CEEMDAN间隔阈值降噪算法,CEEMDAN算法能较好地减弱模态混叠现象,有效提高降噪方法的性能。针...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
论文框架
图２－１?—个典型的ＩＭＦ分量??Ｆｉｇ２－１?Ａ?ｔｙｐｉｃａｌ?ＩＭＦ?ｃｏｍｐｏｎｅｎｔ??２．１．２?ＥＭＤ?算法??特征模态函数概念的提出赋予了瞬时频率实际意义，ＥＭＤ算法将实际复杂信??号分解为特征模态函数，使得瞬时频率可以应用于实际的非平稳非线性信号中。??ＥＭＤ算法分解建立在三个假设之下：??（１）信号至少具有一个极大值点和一个极小值点；??（２）特征时间尺度由相邻极值点间的时间间隔定义；??（３）如果信号在整个时间段内只有拐点而不包含极值点，则可以对信号进行??一次或多次微分来找到极值点，最后将最终的ＩＭＦ分量进行积分得到相应分量。??ＥＭＤ分解过程类似一个“筛子”：基于数据信号的局部特征时间尺度，将高??频至低频的ＩＭＦ分量依次筛选出来。ＥＭＤ算法流程图如图２－２所示，ＥＭＤ分解??步骤描述如下：??
?（２－１４）??小）由幅值不同、频率分别为７０Ｈｚ、３０Ｈｚ和１０Ｈｚ的正弦周期信号相加而成，??它的时域图如图２－３所示。使用ＥＭＤ算法对进行分解，分解结果如图２－４所??示。图中看出，ＥＭＤ能将３个频率成分有效地分解开，ＩＭＦ１是频率为７０Ｈｚ的正??弦周期信号，其是合成信号中的最高频成分；ＩＭＦ２是频率为３０Ｈｚ的正弦周??期信号，其是合成信号信号小）中的中频成分；ＩＭＦ３是频率为１０Ｈｚ的正弦周期??信号，其是合成信号５（ｆ）中的低频成分。从图中例子可以看出，ＥＭＤ分解能自适??应地将信号分解成从高频到低频的有限个ＩＭＦ分量。图中也可以看出，ＥＭＤ分解??后的信号中亦存在虚假频率ＩＭＦ４、ＩＭＦ５和残差Ｒｅｓ。??１３??
【参考文献】：
期刊论文
[1]EWT算法在ECG信号滤波中的研究[J]. 刘春,谢皓,肖奕霖,邓传远. 电子测量与仪器学报. 2017(11)
[2]TT变换结合计算阶比跟踪的滚动轴承时变微弱故障特征提取[J]. 唐贵基,庞彬. 中国电机工程学报. 2017(20)
[3]基于小波包神经网络分析的滚动轴承故障诊断[J]. 赵洁,张惊雷. 天津理工大学学报. 2017(04)
[4]变分模态分解与神经网络结合的轴承故障诊断[J]. 杨洪柏,张宏利,蒋超,刘树林. 机械设计与制造. 2017(06)
[5]基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法[J]. 代俊习,郑近德,潘海洋,潘紫微. 中国机械工程. 2017(11)
[6]基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断[J]. 张淑清,胡永涛,姜安琦,吴迪,陆超,姜万录. 中国机械工程. 2017(03)
[7]基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J]. 刘永强,李翠省,廖英英. 振动与冲击. 2017(02)
[8]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[9]滚动轴承复合故障诊断的自适应方法研究[J]. 马新娜,杨绍普. 振动与冲击. 2016(10)
[10]国外火箭发射及故障情况统计分析[J]. 曲晶,张绿云. 中国航天. 2016(02)
博士论文
[1]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[2]基于单类学习的异常检测方法及其重型装备状态识别应用[D]. 李楠.上海交通大学 2014
[3]新一代大推力液体火箭发动机故障检测与诊断关键技术研究[D]. 李艳军.国防科学技术大学 2014
[4]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
[5]希尔伯特—黄变换局瞬信号分析理论的研究[D]. 钟佑明.重庆大学 2002
硕士论文
[1]基于EMD与SVM的航空发动机转子系统故障诊断[D]. 栗祥.西安工业大学 2017
[2]基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D]. 邵海贺.长春工业大学 2016
[3]基于改进HHT与SVM的滚动轴承故障诊断方法研究[D]. 王德丽.北京交通大学 2016
[4]光子计数激光雷达信号的EMD降噪方法研究[D]. 祁晓云.南京理工大学 2016
[5]基于小波降噪和经验模态分解的滚动轴承故障诊断[D]. 徐明林.哈尔滨工业大学 2013
[6]基于小波变换和神经网络的旋转机械故障诊断研究[D]. 吕宣哲.南京航空航天大学 2012
本文编号：3599968
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
论文框架
图２－１?—个典型的ＩＭＦ分量??Ｆｉｇ２－１?Ａ?ｔｙｐｉｃａｌ?ＩＭＦ?ｃｏｍｐｏｎｅｎｔ??２．１．２?ＥＭＤ?算法??特征模态函数概念的提出赋予了瞬时频率实际意义，ＥＭＤ算法将实际复杂信??号分解为特征模态函数，使得瞬时频率可以应用于实际的非平稳非线性信号中。??ＥＭＤ算法分解建立在三个假设之下：??（１）信号至少具有一个极大值点和一个极小值点；??（２）特征时间尺度由相邻极值点间的时间间隔定义；??（３）如果信号在整个时间段内只有拐点而不包含极值点，则可以对信号进行??一次或多次微分来找到极值点，最后将最终的ＩＭＦ分量进行积分得到相应分量。??ＥＭＤ分解过程类似一个“筛子”：基于数据信号的局部特征时间尺度，将高??频至低频的ＩＭＦ分量依次筛选出来。ＥＭＤ算法流程图如图２－２所示，ＥＭＤ分解??步骤描述如下：??
?（２－１４）??小）由幅值不同、频率分别为７０Ｈｚ、３０Ｈｚ和１０Ｈｚ的正弦周期信号相加而成，??它的时域图如图２－３所示。使用ＥＭＤ算法对进行分解，分解结果如图２－４所??示。图中看出，ＥＭＤ能将３个频率成分有效地分解开，ＩＭＦ１是频率为７０Ｈｚ的正??弦周期信号，其是合成信号中的最高频成分；ＩＭＦ２是频率为３０Ｈｚ的正弦周??期信号，其是合成信号信号小）中的中频成分；ＩＭＦ３是频率为１０Ｈｚ的正弦周期??信号，其是合成信号５（ｆ）中的低频成分。从图中例子可以看出，ＥＭＤ分解能自适??应地将信号分解成从高频到低频的有限个ＩＭＦ分量。图中也可以看出，ＥＭＤ分解??后的信号中亦存在虚假频率ＩＭＦ４、ＩＭＦ５和残差Ｒｅｓ。??１３??
【参考文献】：
期刊论文
[1]EWT算法在ECG信号滤波中的研究[J]. 刘春,谢皓,肖奕霖,邓传远. 电子测量与仪器学报. 2017(11)
[2]TT变换结合计算阶比跟踪的滚动轴承时变微弱故障特征提取[J]. 唐贵基,庞彬. 中国电机工程学报. 2017(20)
[3]基于小波包神经网络分析的滚动轴承故障诊断[J]. 赵洁,张惊雷. 天津理工大学学报. 2017(04)
[4]变分模态分解与神经网络结合的轴承故障诊断[J]. 杨洪柏,张宏利,蒋超,刘树林. 机械设计与制造. 2017(06)
[5]基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法[J]. 代俊习,郑近德,潘海洋,潘紫微. 中国机械工程. 2017(11)
[6]基于双树复小波和自适应权重和时间因子的粒子群优化支持向量机的轴承故障诊断[J]. 张淑清,胡永涛,姜安琦,吴迪,陆超,姜万录. 中国机械工程. 2017(03)
[7]基于EEMD和自相关函数峰态系数的轴承故障诊断方法[J]. 刘永强,李翠省,廖英英. 振动与冲击. 2017(02)
[8]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[9]滚动轴承复合故障诊断的自适应方法研究[J]. 马新娜,杨绍普. 振动与冲击. 2016(10)
[10]国外火箭发射及故障情况统计分析[J]. 曲晶,张绿云. 中国航天. 2016(02)
博士论文
[1]齿轮箱振动特性分析与智能故障诊断方法研究[D]. 何俊.浙江大学 2018
[2]基于单类学习的异常检测方法及其重型装备状态识别应用[D]. 李楠.上海交通大学 2014
[3]新一代大推力液体火箭发动机故障检测与诊断关键技术研究[D]. 李艳军.国防科学技术大学 2014
[4]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
[5]希尔伯特—黄变换局瞬信号分析理论的研究[D]. 钟佑明.重庆大学 2002
硕士论文
[1]基于EMD与SVM的航空发动机转子系统故障诊断[D]. 栗祥.西安工业大学 2017
[2]基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D]. 邵海贺.长春工业大学 2016
[3]基于改进HHT与SVM的滚动轴承故障诊断方法研究[D]. 王德丽.北京交通大学 2016
[4]光子计数激光雷达信号的EMD降噪方法研究[D]. 祁晓云.南京理工大学 2016
[5]基于小波降噪和经验模态分解的滚动轴承故障诊断[D]. 徐明林.哈尔滨工业大学 2013
[6]基于小波变换和神经网络的旋转机械故障诊断研究[D]. 吕宣哲.南京航空航天大学 2012
本文编号：3599968
本文链接：https://www.wllwen.com/kejilunwen/dongligc/3599968.html
