基于信息融合的转子振动故障诊断方法研究

发布时间：2017-04-16 13:22

  本文关键词：基于信息融合的转子振动故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：本文采用基于信息融合的分类诊断法对转子振动故障进行诊断。信息融合能将各种信息进行多级别、多层面的联系和组合，因此对故障信息有更可靠的认识和态势评估。国内外对单一转子故障系统的研究较多，提出了各种方法，但是对于耦合故障的研究较少，而且多是定性的分析，而非定量的诊断。因此，本文除了研究和诊断四种单一故障：转子碰摩、转子裂纹、转子不对中、转子不平衡外，还将重点研究和诊断三种典型的耦合故障：裂纹—碰摩耦合故障、不平衡—碰摩耦合故障和裂纹—不平衡耦合故障。 首先，，本文详细介绍了转子常见振动故障及其诊断方法，从信息论的角度论证了信息融合技术在故障诊断中的有效性和可行性。然后提出了三种故障诊断方法： 1.基于信息熵差矩阵的诊断方法，通过计算未知故障振动信号与典型故障振动信号之间的信息熵分布区间和规律的接近程度来实现故障诊断。应用信息熵差矩阵实现的是定量诊断，准确率较高，能够成功的诊断出单一故障和耦合故障。 2.针对耦合故障，采用融合信息熵距的诊断方法。通过融合功率谱熵、奇异谱熵、小波能谱熵和小波空间特征谱熵来计算信息熵距，更能综合的表现转子振动故障的特征，特别是在耦合故障和单一故障较难区分的情况下。诊断过程清晰直观，多转速下的熵距曲线图能够将耦合故障和单一故障区分开来。 3.利用最小二乘支持向量机（LS-SVM）的故障诊断方法，诊断了转子振动单一故障和耦合故障。LS-SVM与SVM相比具有更快的求解速度和收敛精度，更适合大型旋转机械的故障诊断。采集多转速、多测点下的振动信号，融合振动信号的四种信息熵，计算其平均值作为特征向量，更能反映振动故障的特征和规律，从而使最小二乘支持向量机分类器具有较高的诊断准确率。 研究表明，本文提出的基于信息熵和最小二乘支持向量机（LS-SVM）的故障诊断方法诊断精度较高，诊断过程清晰直观，是转子振动故障诊断的有效方法。
【关键词】：转子振动故障 故障诊断 信息融合 信息熵 最小二乘支持向量机
【学位授予单位】：沈阳航空航天大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：V263.6
【目录】：

• 摘要6-7
• Abstract7-13
• 第1章 绪论13-20
• 1.1 课题背景13-14
• 1.2 转子系统故障诊断概述14-17
• 1.2.1 转子系统故障诊断的内容14-16
• 1.2.2 转子系统故障诊断任务和意义16
• 1.2.3 转子系统故障诊断的基本步骤16-17
• 1.3 国内外研究现状17-19
• 1.4 本文主要工作及创新点19-20
• 1.4.1 本文主要工作19
• 1.4.2 本文创新点19-20
• 第2章 转子常见振动故障及其诊断方法20-29
• 2.1 转子常见振动故障20-22
• 2.1.1 转子不平衡20
• 2.1.2 转子不对中20-21
• 2.1.3 转子碰摩21-22
• 2.1.4 转子裂纹22
• 2.2 耦合故障22-23
• 2.3 常见故障诊断方法23-29
• 2.3.1 频谱分析方法23-25
• 2.3.2 基于模型的诊断方法25-26
• 2.3.3 分类诊断方法26-29
• 第3章 转子振动故障模拟实验29-34
• 3.1 实验仪器及设备29-31
• 3.2 实验过程31-32
• 3.3 实验结果32-34
• 第4章 基于融合信息熵的转子振动故障诊断34-50
• 4.1 信息融合34-39
• 4.1.1 信息融合的背景和概念34-35
• 4.1.2 信息融合在故障诊断应用中的数学论证35-37
• 4.1.3 信息融合级别37-39
• 4.2 信息熵的基础理论39-42
• 4.2.1 信息熵的定义39-40
• 4.2.2 奇异谱熵40-41
• 4.2.3 功率谱熵41
• 4.2.4 小波能谱熵和小波空间特征谱熵41-42
• 4.3 基于信息熵差矩阵的故障诊断实例42-45
• 4.3.1 基于信息熵差矩阵的定量诊断方法42-43
• 4.3.2 信息熵矩阵计算43-45
• 4.3.3 信息熵差矩阵计算45
• 4.4 基于融合信息熵距的耦合故障诊断45-50
• 4.4.1 故障熵点的确定45-46
• 4.4.2 信息熵距的定义46-47
• 4.4.3 多转速下的信息熵距47
• 4.4.4 融合信息熵距的故障诊断实例47-50
• 第5章 基于最小二乘支持向量机的转子故障诊断50-65
• 5.1 统计学理论基础50-54
• 5.1.1 分类问题的统计学提法50-52
• 5.1.2 VC 维52-53
• 5.1.3 结构风险最小化53-54
• 5.2 支持向量机的基础理论54-57
• 5.2.1 支持向量机算法54-56
• 5.2.2 支持向量机核函数56-57
• 5.3 最小二乘支持向量机的基础理论57-61
• 5.3.1 最小二乘支持向量机的基础57-59
• 5.3.2 最小二乘支持向量的多分类法59-61
• 5.4 最小二乘支持向量机的故障诊断实例61-65
• 5.4.1 故障特征向量的提取61-62
• 5.4.2 LS-SVM 诊断过程62-65
• 结论65-66
• 附录Ⅰ 程序清单66-70
• 参考文献70-73
• 致谢73-74
• 攻读硕士期间发表（含录用）的学术论文74

【参考文献】

中国期刊全文数据库 前10条

1 金敬强;武富春;;信息融合技术的发展现状与展望[J];电脑开发与应用;2006年01期

2 李录平,邹新元,晋风华,卢绪祥,黄树红;基于融合信息熵的大型旋转机械振动状态的评价方法[J];动力工程;2004年02期

3 陈非;黄树红;张燕平;高伟;;基于过程的旋转机械振动故障定量诊断方法[J];动力工程;2008年04期

4 万方义,许庆余,李松涛;谐波小波变换在转子—轴承系统多故障监测中的应用[J];工程力学;2004年01期

5 陈果;;转子-滚动轴承-机匣耦合系统的不平衡-碰摩耦合故障非线性动力学响应分析[J];航空动力学报;2007年10期

6 江龙平,徐可君,隋育松;航空发动机故障诊断技术[J];航空科学技术;2002年02期

7 朱家元,杨云,张恒喜,王卓健;基于优化最小二乘支持向量机的小样本预测研究[J];航空学报;2004年06期

8 徐启华,师军;应用SVM的发动机故障诊断若干问题研究[J];航空学报;2005年06期

9 杨奎河;单甘霖;赵玲玲;;基于最小二乘支持向量机的故障诊断方法[J];计算机应用研究;2007年07期

10 蔡开龙,杨秉政,谢寿生;基于模糊神经网络的航空发动机故障诊断研究[J];机械科学与技术;2004年01期

中国硕士学位论文全文数据库 前3条

1 王志;航空发动机整机振动故障诊断技术研究[D];沈阳航空工业学院;2007年

2 费成巍;基于信息融合的航空发动机整机振动故障诊断技术研究[D];沈阳航空工业学院;2010年

3 张茉;转子系统振动故障的诊断方法及时频分析技术研究[D];东北大学;2008年

  本文关键词：基于信息融合的转子振动故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：310915