基于多重分形检测的故障识别方法研究

发布时间：2017-10-18 23:32

  本文关键词：基于多重分形检测的故障识别方法研究

  更多相关文章： 机械故障诊断 盒子法多重分形 去趋势波多重分形 核模糊 C 均值聚类

【摘要】：随着现代工业地迅速发展，机械设备结构日益复杂化、自动化，设备的状态检测和故障诊断问题越来越受到关注和重视。本论文针对机械故障振动信号非平稳性、非线性等复杂特征，提出了基于分形理论的故障定量分析方法，最后针对机械故障模式复杂难以识别的特点，给出一种基于C均值的核模糊聚类识别方法，，然后将上述理论研究应用在斜盘式轴向液压泵和滚动轴承的故障检测中，并给出结果。 首先介绍了机械设备故障诊断历程及方法，阐述了传统的振动信号分析方法，包括傅立叶变换、阶比分析方法、神经网络、模糊和分形方法。介绍了分形理论的应用及其在机械故障诊断中的优势。 之后着重介绍了盒子法多重分形和去趋势波多重分形分析方法，建立多重分形模型，并用仿真信号对两种方法进行检验和研究，总结离散数据的多重分形谱的主要参数——奇异标度指数α及奇异谱函数f(α)表征意义。 本文利用这两种方法分别对不同条件下采集的液压泵数据和滚动轴承数据进行分析，分析结果表明，对液压泵数据来说去趋势波多重分析方法能有效识别出较低采样频率下的故障信号，盒子法多重分形则没有采样条件的限制。两者都可以有效识别出滚动轴承故障数据。 最后基于两种方法提取故障特征，利用核模糊C均值聚类方法有效识别故障及其故障程度。
【关键词】：机械故障诊断 盒子法多重分形 去趋势波多重分形 核模糊 C 均值聚类
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-14
• 1.1 课题背景10
• 1.2 机械故障诊断方法概述10-12
• 1.2.1 傅立叶变换10-11
• 1.2.2 阶比分析法11
• 1.2.3 神经网络识别方法11
• 1.2.4 模糊识别方法11-12
• 1.3 分形理论的应用及在故障诊断中的优势12-13
• 1.3.1 分形理论的应用12-13
• 1.3.2 分形学在故障诊断中的优势13
• 1.4 本文主要研究内容13-14
• 第2章 分形与多重分形14-32
• 2.1 分形原理概述14-16
• 2.1.1 分形定义14
• 2.1.2 分形理论的意义14-15
• 2.1.3 分形维数及其计算方法15-16
• 2.2 多重分形16-20
• 2.2.1 多重分形模型17
• 2.2.2 多重分形计算方法17-18
• 2.2.3 盒子法多重分形算法及流程图18-20
• 2.3 仿真信号进行盒子法多重分析20-25
• 2.3.1 盒子法多重分形维数计算20-22
• 2.3.2 盒子法多重分形维数与采样长度的关系22-24
• 2.3.3 盒子法多重分形维数与采样频率的关系24-25
• 2.3.4 盒子法多重分形维数与噪声的关系25
• 2.4 信号去噪预处理25-26
• 2.4.1 小波模极大值去噪25-26
• 2.4.2 仿真验证26
• 2.5 去趋势波多重分形26-30
• 2.5.1 MF-DFA 计算过程及流程图27-28
• 2.5.2 仿真信号 MF-DFA 计算28-30
• 2.6 多重分形评判指标30-31
• 2.7 本章小结31-32
• 第3章 基于盒子法多重分形原理的故障数据分析32-53
• 3.1 基于多重分形原理的液压泵故障数据分析32-46
• 3.1.1 液压泵试验数据来源32-33
• 3.1.2 柱塞泵实验数据多重分形谱分析33-46
• 3.2 轴承故障多重分形分析46-52
• 3.2.1 轴承故障数据来源46-47
• 3.2.2 轴承内圈故障数据分析47-48
• 3.2.3 轴承外圈故障数据分析48-50
• 3.2.4 轴承滚动体故障数据分析50-51
• 3.2.5 轴承内圈、外圈、滚动体故障信号分析51-52
• 3.3 本章小结52-53
• 第4章 基于 MF-DFA 方法故障数据分析53-73
• 4.1 柱塞泵故障振动信号 MF-DFA 分析53-66
• 4.1.1 柱塞泵单柱塞松靴故障数据分析54-59
• 4.1.2 柱塞泵单柱塞滑靴磨损数据分析59-64
• 4.1.3 柱塞泵单柱塞松靴、滑靴故障信号分析64-66
• 4.2 轴承故障振动信号 MF-DFA 分析66-72
• 4.2.1 轴承内圈故障数据分析66-68
• 4.2.2 轴承外圈故障数据分析68-69
• 4.2.3 轴承滚动体故障数据分析69-71
• 4.2.4 轴承内圈、滚动体、外圈故障信号分析71-72
• 4.3 本章小结72-73
• 第5章 故障特征提取与识别73-83
• 5.1 故障特征提取73-77
• 5.1.1 盒子法多重分形方法故障特征提取73
• 5.1.2 MF-DFA 多重分形方法故障特征提取73
• 5.1.3 液压泵故障特征提取73-75
• 5.1.4 滚动轴承故障特征提取75-77
• 5.2 故障特征识别77-82
• 5.2.1 核模糊 C 均值聚类算法77-78
• 5.2.2 基于核模糊 C 均值聚类的轴向柱塞泵振动信号的故障识别78-80
• 5.2.3 基于核模糊 C 均值聚类轴承振动信号的故障识别80-82
• 5.3 本章小结82-83
• 结论83-84
• 参考文献84-87
• 攻读硕士学位期间承担的科研任务与主要成果87-88
• 致谢88-89
• 作者简介89

【参考文献】

中国期刊全文数据库 前10条

1 赵晓平;张令弥;郭勤涛;;旋转机械阶比跟踪技术研究进展综述[J];地震工程与工程振动;2008年06期

2 于功志;关德林;段树林;李国宾;;基于多重分形的齿轮故障特征提取方法[J];大连海事大学学报;2009年01期

3 张朝晖,黄惟一;振动波形的分形判别及特征提取[J];东南大学学报;1999年04期

4 杨学锋,王吉华;全息胚学说与现代分形理论的比较研究[J];德州师专学报;1996年04期

5 郭瑜,秦树人,梁玉前;时频分析阶比跟踪技术[J];重庆大学学报(自然科学版);2002年05期

6 王世明;;工程机械液压系统故障监测诊断技术的现状和发展趋势[J];机床与液压;2009年02期

7 普运伟;金炜东;朱明;胡来招;;核模糊C均值算法的聚类有效性研究[J];计算机科学;2007年02期

8 孔平;严广乐;孙继佳;;基于多重分形的肝脏边缘粗糙度分析[J];计算机应用研究;2011年06期

9 彭志科,何永勇,卢青,褚福磊;小波多重分形及其在振动信号分析中应用的研究[J];机械工程学报;2002年08期

10 师黎;王希萍;;DNA优化的神经网络在故障诊断中的应用[J];微计算机信息;2009年10期

中国博士学位论文全文数据库 前2条

1 曲福恒;一类模糊聚类算法研究及其应用[D];吉林大学;2009年

2 苑宝;多重分形理论及其在中国股票市场中的应用研究[D];东北大学;2007年

本文编号：1057774