基于振动信号分析的转子故障诊断方法研究

发布时间：2017-10-23 17:05

  本文关键词：基于振动信号分析的转子故障诊断方法研究

  更多相关文章： 故障诊断 小波 经验模态分解 特征提取 BP神经网络 支持向量机

【摘要】：旋转机械是最常用的机械设备之一，如汽轮机、航空发动机、发电机等。转子工作时往往伴随着高转速和复杂工况，容易产生各种故障，一旦故障发生，将带来重大安全隐患和经济损失，因此，加强对转子故障诊断的研究，防患于未然，具有十分重要的意义。转子发生故障的重要特征是机器伴有异常的振动，，其振动信号能够从时域或频域实时地反应机器的故障信息，本文对基于振动信号分析的转子故障诊断方法进行了研究，主要研究工作包括： （1）研究了常见转子故障的机理，总结了各类故障的振动特性和频谱特性；通过ZT-3转子实验台对转子不平衡、不对中、支座松动以及碰摩等典型故障进行了实验仿真。 （2）对连续小波变换、多分辨率分析和小波包等理论进行了研究；运用傅里叶分析、小波时频等高图等方法对实验信号进行了频域分析和时频分析；对基于小波分析的信号消噪方法进行了研究，采用Donoho阈值估计和软阈值法对实验信号进行了消噪处理。 （3）对振动信号的故障特征提取方法进行了研究，总结了利用小波包分析进行故障特征提取的方法和步骤，运用小波包能量法进行了常见故障特征提取；针对小波包不具有自适应性的缺点，提出了一种根据转子转速调整采样频率，从而实现自动提取故障特征的新方法，该方法大大简化了小波包选择过程，较好地统一了同种故障在不同转速下的故障特征；介绍了样本熵理论，计算了实验信号的样本熵，最后运用小波包和样本熵相结合的方法，解决了样本熵方法不平衡故障和正常状态下特征混叠的问题；针对小波分析不具有自适应性的缺点，研究了经验模态分解（EMD）方法，对实验信号进行了经验模态分解，并进行了特征分析；最后对经验模态分解方法和小波分析方法进行了比较分析。 （4）对模式识别方法进行了研究，介绍了神经网络的基本理论，总结了基于BP神经网络的模式识别算法和步骤，并运用BP神经网络对故障特征进行了模式识别；较为详细地介绍了支持向量机（SVM）理论的原理和算法，运用SVM方法对故障特征进行了训练和分类；通过变换训练样本数和测试样本数的比例，对BP神经网络和SVM方法的分类效果进行了对比。 （5）研究了MATLAB平台用户界面设计的具体实现方法，结合实验台获取的故障信号、小波包能量和小波包样本熵的特征提取方法以及支持向量机的故障分类方法，设计了一个故障诊断系统，实现了从信号读取、时频分析、特征提取到得出故障诊断结论等功能。
【关键词】：故障诊断 小波 经验模态分解 特征提取 BP神经网络 支持向量机
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 注释表10-11
• 缩略词11-12
• 第一章 绪论12-19
• 1.1 研究背景及意义12
• 1.2 故障诊断主要研究内容12-13
• 1.2.1 故障机理研究12
• 1.2.2 信号的采集12-13
• 1.2.3 信号处理与特征提取13
• 1.2.4 故障识别方法研究13
• 1.3 国内外研究现状13-15
• 1.3.1 国外研究现状13-14
• 1.3.2 国内研究现状14-15
• 1.4 转子故障诊断方法15-18
• 1.5 本文主要工作18-19
• 第二章 常见转子故障机理研究和实验分析19-33
• 2.1 常见转子故障的机理研究19-27
• 2.1.1 转子不平衡19-20
• 2.1.2 转子不对中20-23
• 2.1.3 支座松动故障23-25
• 2.1.4 动静碰摩25-27
• 2.2 转子故障仿真实验装置介绍27-29
• 2.3 转子故障仿真实验方法和结果29-32
• 2.3.1 故障模拟方法介绍29-30
• 2.3.2 实验参数设置30
• 2.3.3 实验结果30-32
• 2.4 本章小结32-33
• 第三章 故障特征提取方法研究33-62
• 3.1 傅里叶分析方法33-37
• 3.1.1 傅里叶变换基本理论33-34
• 3.1.2 转子实验信号的傅里叶分析34-36
• 3.1.3 傅里叶变换的局限性分析36-37
• 3.2 小波分析方法37-54
• 3.2.1 连续小波变换37-38
• 3.2.2 离散小波变换38-39
• 3.2.3 多分辨率分析39-40
• 3.2.4 小波包分解理论40-41
• 3.2.5 基于小波分析的信号消噪41-43
• 3.2.6 基于小波时频等高图的故障诊断方法43-48
• 3.2.7 基于小波包能量法的故障特征提取48-52
• 3.2.8 小波包能量特征提取的自适应方法52-54
• 3.3 样本熵分析方法54-56
• 3.3.1 样本熵理论和计算方法54-55
• 3.3.2 样本熵方法对实验信号的故障特征提取55-56
• 3.3.3 样本熵方法局限性分析56
• 3.4 小波包样本熵分析方法56-57
• 3.5 经验模态分解在故障特征提取上的应用57-60
• 3.5.1 经验模态分解基本理论57-58
• 3.5.2 基于经验模态分解的故障特征提取58-60
• 3.6 小波分析和经验模态分解方法的比较分析60-61
• 3.7 本章小结61-62
• 第四章 故障模式识别方法研究62-78
• 4.1 神经网络法62-66
• 4.1.1 神经网络方法介绍62-63
• 4.1.2 BP 神经网络算法63-65
• 4.1.3 基于 BP 神经网络方法的故障诊断模式识别65-66
• 4.2 支持向量机法66-72
• 4.2.1 统计学习理论66-69
• 4.2.2 支持向量机算法69-72
• 4.2.3 基于支持向量机的故障诊断模式识别72
• 4.3 神经网络和支持向量机法比较72-73
• 4.4 基于 MATLAB 平台的故障诊断系统设计73-77
• 4.4.1 MATLAB GUI 设计简介73
• 4.4.2 转子故障诊断系统设计73-77
• 4.5 本章小结77-78
• 第五章 总结和展望78-80
• 5.1 总结78-79
• 5.2 展望79-80
• 参考文献80-84
• 致谢84-85
• 在学期间的研究成果及发表的学术论文85

【参考文献】

中国期刊全文数据库 前10条

1 费成巍;艾延廷;王蕾;李川;;基于支持向量机的航空发动机整机振动故障诊断技术研究[J];沈阳航空工业学院学报;2010年02期

2 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

3 梁平;白蕾;龙新峰;范立莉;;基于小波包分析及神经网络的汽轮机转子振动故障诊断[J];控制理论与应用;2007年06期

4 冯毅;王香华;;小波变换降噪处理及其Matlab实现[J];数据采集与处理;2006年S1期

5 张绪锦,谭剑波,韩江洪;基于BP神经网络的故障诊断方法[J];系统工程理论与实践;2002年06期

6 邓堰;陈果;;转子故障信号的小波能量特征自动提取[J];应用科学学报;2007年05期

7 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

8 闻邦椿;;“振动利用工程”学科近期的发展[J];振动工程学报;2007年05期

9 何正嘉;訾艳阳;陈雪峰;王晓冬;;内积变换原理与机械故障诊断[J];振动工程学报;2007年05期

10 蒋东翔,刁锦辉,赵钢,钱立军;基于时频等高图的汽轮发电机组振动故障诊断方法研究[J];中国电机工程学报;2005年06期

本文编号：1084434