基于声发射信号的真空泵过载故障检测研究

发布时间：2020-06-12 11:19

【摘要】：随着空间科学技术的进步和载人航天工程的发展,尤其是空间推进技术的大力发展,航天器空间模拟实验对实验设备的要求正在逐渐提高,而真空泵的正常运行是实验顺利进行的必要条件,因而对真空泵的运行状态进行检测具有重要意义。本文主要是针对真空泵最常见的过载故障进行了研究。首先,根据声发射信号的采集原理,搭建真空泵的声发射信号采集系统,系统分为硬件和软件两部分。硬件方面主要是由声发射传感器、前置放大器以及数字采集卡组成。软件方面则是由LabVIEW编写的上位机采集程序和由Matlab编写的数据处理程序组成。采集系统在实验室进行了系统验证后,在试验场地采集了正常信号和过载信号。然后,因为采集到的声发射信号中混杂有大量的背景噪声,于是本文首先使用基于奇异值分解的去噪方法对信号进行去噪处理,提出了结合奇异值贡献率和奇异值斜率变化的分离阶数选择方法。然后通过仿真的实验信号来验证该去噪方法的有效性。其次对信号进行特征向量的提取,本文共使用了3种特征提取方法:(1)对信号的时域提取歪度、峭度指数、峰值等等6个特征值,并将其组成时域的特征向量。(2)对信号进行7层小波包分解,提取信号分解得到的前8个频段的相对能量组成信号频域的特征向量;(3)对信号进行集合经验模态分解,选择信号分解的前9个本征模态函数的相对能量组成信号频域的特征向量;从运行时间和识别正确率两方面对3者进行对比,结果表明,小波包分解提取的特征向量识别率最高,能达到96.7%左右,速度也较快。对于提取出的特征向量,本文使用了支持向量机和极限学习机两种模式识别方法对信号进行判别。从识别正确率和运行时间上对两者进行对比。结果表明,支持向量机和极限学习机都可以区分出正常信号和过载信号,但是支持向量机的正确率要高于极限学习机,而极限学习机的速度优于支持向量机,但是由于两者的运行时间都在接受范围之类,所以最终本文选择支持向量机作为本次研究的模式识别方法。
【图文】：

真空泵安全事故

天舟一号进行总装测试
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V416.8

【参考文献】

相关期刊论文 前10条

1 江莉;李林;董惠;;基于改进EMD方法的多分量信号分析[J];振动与冲击;2009年04期

2 袁胜发;褚福磊;;支持向量机及其在机械故障诊断中的应用[J];振动与冲击;2007年11期

3 陈予恕;;机械故障诊断的非线性动力学原理[J];机械工程学报;2007年01期

4 张克南;陆扬;谢里阳;郑进文;万年红;;基于SVD方法的弱故障特征提取方法[J];机床与液压;2006年10期

5 梁霖,徐光华,刘弹,栗茂林;小波-奇异值分解在异步电机转子故障特征提取中的应用[J];中国电机工程学报;2005年19期

6 陆春月,王俊元;机械故障诊断的现状与发展趋势[J];机械管理开发;2004年06期

7 杨世锡,胡劲松,吴昭同,严拱标;旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较[J];中国电机工程学报;2003年06期

8 秦宣云,卜英勇;基于小波变换的故障信号检测[J];中南工业大学学报(自然科学版);2002年04期

9 理华,徐春广,肖定国,黄卉,郑军,季皖东,郭浩;小波包原理在滚动轴承声发射检测技术中的应用[J];机械;2002年04期

10 钟掘,唐华平;高速轧机若干振动问题——复杂机电系统耦合动力学研究[J];振动、测试与诊断;2002年01期

，

本文编号：2709456