当前位置:主页 > 科技论文 > 机械论文 >

基于改进提升小波的AE信号消噪及在故障诊断中的应用研究

发布时间:2018-01-12 23:33

  本文关键词:基于改进提升小波的AE信号消噪及在故障诊断中的应用研究 出处:《湖南科技大学》2012年硕士论文 论文类型:学位论文


  更多相关文章: 改进提升小波 旋转机械 声发射 信号消噪 特征提取 故障诊断


【摘要】:旋转机械是国民生产中的关键核心设备,对其进行监测与诊断,保障其安全、可靠运行,对提高企业的经济效益、促进整个国民经济的发展有着重要的作用。传统的监测与诊断一般基于振动信号,而振动信号分析法在强噪声干扰背景下难以准确获取设备的故障特征信息。基于声发射(AE)信号的监测与诊断方法具有灵敏度高、抗噪声干扰能力强等优点,更易于提取可表征设备运行状态的特征信息,将其应用于旋转机械故障诊断,可以有效的提高故障诊断的准确率。 本文在分析以滚动轴承为代表的旋转机械声发射信号特性的基础上,针对传统提升小波的不足,提出了一种适合于旋转机械AE信号的改进提升小波变换方法。研究了基于改进提升小波的旋转机械AE信号消噪方法,并结合经验模态分解开展AE信号特征提取、结合BP神经网络开展AE信号故障识别研究,具体研究工作如下: (1)提出了旋转机械AE信号提升小波改进算法。通过理论分析,结合实验研究探明旋转机械声发射信号特性,在此基础上提出改进提升小波,包括分解过程中,引入局部判决函数,根据被分析AE信号的局部特征自适应的构造更新算子;利用遗传算法,,对预测算子进行优化。重构过程中,利用自适应阈值消噪对每一层的AE信号进行消噪,提高了提升小波的自适应消噪性能。 (2)研究了基于改进提升小波的旋转机械AE信号消噪方法。针对自适应阈值消噪公式中参数p的取值过大或过小都会影响消噪的效果,通过AE仿真信号研究了改进提升小波在AE信号消噪中的最佳参数值,并用实测的AE信号验证了改进提升小波比传统提升小波和小波变换具有更好的消噪性能。 (3)采用改进提升小波和经验模态分解对旋转机械故障的AE信号进行了特征提取研究。利用改进提升小波对经验模态分解的AE信号进行消噪处理,然后用相关函数法求出经验模态分解后的有效内禀模态函数,并进行包络解调分析,能够准确提取旋转机械AE信号中的故障特征信息。 (4)结合改进提升小波和BP神经网络对滚动轴承进行了故障识别研究。将改进提升小波作为BP神经网络的前处理器,对AE信号进行消噪预处理,提取消噪后AE信号的特征参数作为BP神经网络的输入量,减少了BP神经网络的训练步骤,提高了轴承故障识别的准确率。
[Abstract]:The rotating machinery is the key core equipment in the national production . It plays an important role in monitoring and diagnosing it , ensuring the safety and reliable operation of the enterprise . The traditional monitoring and diagnosis is based on the vibration signal , and the vibration signal analysis method has the advantages of high sensitivity and strong anti - noise interference . It is easier to extract the characteristic information which can characterize the running state of the equipment . It can be applied to the fault diagnosis of rotating machinery , which can effectively improve the accuracy of fault diagnosis . On the basis of analyzing the characteristics of the rotating machinery acoustic emission signal represented by the rolling bearing , this paper presents an improved wavelet transform method which is suitable for the rotating mechanical AE signal . Based on the improvement of the wavelet transform method , the AE signal feature extraction is carried out in combination with the empirical mode decomposition , and the AE signal feature extraction is carried out in combination with the BP neural network . The specific research work is as follows : ( 1 ) An improved algorithm for improving the AE signal of a rotating machinery is proposed . Based on the theoretical analysis , the characteristics of the acoustic emission signal of the rotating machinery are investigated by combining the experimental study . On the basis of this , an improved wavelet is proposed , which includes the introduction of a local decision function in the decomposition process , the optimization of the predictive operator based on the local feature of the analyzed AE signal . In the reconstruction process , the adaptive threshold de - noising is used to de - noising each layer of AE signal , which improves the adaptive noise elimination performance of the lifting wavelet . ( 2 ) The method of improving the signal denoising based on the modified lifting wavelet is studied . The optimal parameter value of the wavelet in the noise elimination of AE signal is studied by AE simulation signal . The best parameter value of the wavelet in the noise elimination of AE signal is studied through AE simulation signal . The improved wavelet and wavelet transform are improved with the measured AE signal to improve the noise elimination performance . ( 3 ) An improved wavelet and empirical mode decomposition is used to extract the AE signal of the rotating machinery fault . An improved wavelet is used to denoise the AE signal decomposed by the empirical mode , then the effective intrinsic mode function after the empirical mode decomposition is obtained by the correlation function method , and the envelope demodulation analysis is carried out to accurately extract the fault feature information in the rotating mechanical AE signal . ( 4 ) Combining the improved lifting wavelet and BP neural network to study the fault identification of the rolling bearing , the improved lifting wavelet is used as the front processor of the BP neural network , the noise elimination preprocessing is carried out on the AE signal , the characteristic parameter of the AE signal after canceling noise is taken as the input amount of the BP neural network , the training step of the BP neural network is reduced , and the accuracy of the bearing fault identification is improved .

【学位授予单位】:湖南科技大学
【学位级别】:硕士
【学位授予年份】:2012
【分类号】:TN911.4;TH165.3

【参考文献】

相关期刊论文 前10条

1 高立新;汤文亮;胥永刚;殷海晨;;基于冗余第二代小波的降噪技术[J];北京工业大学学报;2008年12期

2 高立新;殷海晨;张建宇;胥永刚;;第二代小波分析在轴承故障诊断中的应用[J];北京工业大学学报;2009年05期

3 高立新;吴丽娟;张建宇;;基于EMD解调方法的齿轮早期故障诊断[J];北京工业大学学报;2009年07期

4 张立保,王珂;零树框架下整数小波图像编码的改进[J];电路与系统学报;2003年03期

5 李成;李平;宋执环;;一种提升格式的非线性插值小波图像编码方法[J];电路与系统学报;2008年01期

6 马建仓;彭锦涛;孟凡路;;自适应提升小波变换及飞机发动机故障分析[J];计算机工程与应用;2010年18期

7 叶重元;黄永东;;小波阈值去噪算法的新改进[J];计算机工程与应用;2011年12期

8 陈珍萍;欧阳名三;刘淮霞;;双自适应提升小波变换在PQD去噪中的应用[J];计算机工程与应用;2011年16期

9 刘树春;潘紫微;宋淼;;第二代小波在振动信号去噪中新方法的研究[J];机械传动;2008年03期

10 段晨东,李凌均,何正嘉;第二代小波变换在旋转机械故障诊断中的应用[J];机械科学与技术;2004年02期

相关博士学位论文 前2条

1 孙轶;基于自适应提升小波的信号去噪技术研究[D];中国科学技术大学;2008年

2 陈孝敬;小波变换在光谱和多光谱图像的应用与研究[D];厦门大学;2009年

相关硕士学位论文 前7条

1 马东宇;基于Gaussian型RBF神经网络的函数逼近与应用[D];中南大学;2011年

2 印欣运;声发射技术在旋转机械碰摩故障诊断中的应用[D];清华大学;2005年

3 时丽娜;面向故障诊断的传感器布局和微弱信号检测方法的研究[D];上海交通大学;2007年

4 周洁;裂纹声发射源定位研究及发展趋势预估初探[D];广西大学;2007年

5 王玉雷;基于粒子群优化RBF神经网络的柴油机故障诊断研究[D];中北大学;2008年

6 张维新;基于小波分析与神经网络的轴承故障诊断研究[D];天津大学;2008年

7 汤文亮;冗余提升小波分析在故障诊断中的研究与应用[D];北京工业大学;2010年



本文编号:1416513

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/1416513.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户05178***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com