主分量法在机械设备故障诊断方法中的应用
发布时间：2021-04-01 04:44
本文主要研究机械设备故障诊断分类方法,研究对象为齿轮和滚动轴承,研究内容主要包括:故障特征值提取方法:时域特征值主要包括峰值等;频域特征值为均方频率（MSF）;通过建立AR模型利用模型系数做特征值,提取GREEN函数系数做为特征值。对电厂送风风机滚动轴承振动信号进行时域、频域、AR模型系数、GREEN函数系数等特征值提取,对提取的特征值分别进行主分量法分析（PCA）,通过主分量图可以进行状态的分类,对各特征值分类的效果进行了比较。对主分量进行核函数映射,构造核函数主分量。针对齿轮振动信号进行上述特征值提取并分别进行主分量分析、核函数主分量分析。结果表明核函数主分量分类的效果好于主分量。用距离函数进行计算设定阈值判断设备状态。用支持向量机（SVM）对主分量、核函数主分量进行计算寻找支持向量,用支持向量进行分类,节省计算时间,提高了计算的准确率。采用Delphi7软件开发滚动轴承轴承数据库软件,该程序可实现轴承参数查询,故障特征频率计算,有一定的实际意义。
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
第一章 前言
1.1 概述
1.2 齿轮的发展与现状
1.2.1 齿轮研究方法的发展现状
1.3 滚动轴承研究现状
1.3.1 轴承故障诊断技术的研究现状与发展趋势
1.4 论文研究的内容
第二章 特征值提取方法
2.1 引言
2.2 信号的时域诊断函数
2.3 频域特征值提取
2.4 时间序列ARMA,AR,GREEN 模型特征值提取
2.4.1 ARMA 模型定义
2.4.2 GREEN 函数的定义及公式推导
2.5 小结
第三章 主分量法（PCA）及其应用
3.1 引言
3.2 主分量法的原理
3.3 主分量分析的步骤
3.4 试验数据分析
3.4.1 风机滚动轴承振动分析
3.4.2 时域主分量分析
3.4.3 频域主分量分析
3.4.4 基于时间序列AR（n）模型系数的主分量分析
3.4.5 基于GREEN 函数系数的主分量分析
3.5 小结
第四章 核函数主分量（KPCA）在齿轮前期故障诊断中的应用
4.1 引言
4.2 核函数主分量法的原理
4.2.1 核函数主分量分析
4.2.2 几何距离判别函数
4.2.2.1 欧几里德（Euclid）距离判别
4.3 试验分析
4.3.1 试验描述
4.3.2 时域PCA 和KPCA 分析
4.3.3 滤波后的时域PCA 和KPCA 分析
4.3.4 频域PCA 和KPCA 分析
4.3.5 基于AR 参数的PCA 和KPCA 分析
4.3.6 基于GREEN 参数的PCA 和KPCA 分析
4.4 小结
第五章 支持向量机在齿轮故障诊断中的应用
5.1 引言
5.2 机器学习的基本问题
5.2.1 机器学习
5.2.2 VC 维数
5.2.3 结构风险最小化SRM
5.3 线性可分模式的最优分类面
5.4 试验分析
5.5 小结
第六章 滚动轴承数据库的开发
6.1 引言
6.2 滚动轴承振动的基本参数
6.2.1 滚动轴承的典型结构及其特征频率
6.2.2 滚动轴承有异常时的振动特性
6.3 软件的功能分析和开发研制
6.3.1 软件的功能和特性
6.3.2 软件开发环境
6.3.3 软件的基本组成
6.3.4 数据库的开发
6.3.5 滚动轴承参数查询
6.4 小结
第七章 结论与展望
7.1 结论
7.2 研究展望
参考文献
致谢
在学期间发表论文和参加科研情况
【参考文献】：
期刊论文
[1]主元分析方法在火电厂锅炉过程故障检测中的应用[J]. 黄孝彬,刘吉臻,牛玉广. 动力工程. 2004(04)
[2]核主元分析及其在人脸识别中的应用[J]. 黄国宏,邵惠鹤. 计算机工程. 2004(13)
[3]细化包络分析在滚动轴承缺陷诊断中的应用[J]. 杜秋华,杨曙年. 轴承. 2004(03)
[4]设备故障诊断中的特征提取[J]. 张晓梅. 传感器技术. 2004(01)
[5]基于小波包-包络分析的故障特征提取方法[J]. 李辉,宋智勇,孙丰瑞. 振动、测试与诊断. 2003(04)
[6]基于损失函数的SVM算法及其在轻微故障诊断中的应用[J]. 翟永杰,韩璞,王东风,王国鹏. 中国电机工程学报. 2003(09)
[7]核函数主元分析及其在齿轮故障诊断中的应用[J]. 李巍华,廖广兰,史铁林. 机械工程学报. 2003(08)
[8]用VB6.0开发的滚动轴承查询系统[J]. 王建梅,李皓. 太原重型机械学院学报. 2003(01)
[9]基于神经网络的滚动轴承故障监测[J]. 陈向东,赵登峰,王国强,许纯新. 轴承. 2003(02)
[10]基于Kohonen神经网络的滚动轴承故障诊断[J]. 夏利民. 计算机工程. 2003(03)
博士论文
[1]齿轮与滚动轴承故障的振动分析与诊断[D]. 孟涛.西北工业大学 2003
本文编号：3112686
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
中文摘要
英文摘要
第一章 前言
1.1 概述
1.2 齿轮的发展与现状
1.2.1 齿轮研究方法的发展现状
1.3 滚动轴承研究现状
1.3.1 轴承故障诊断技术的研究现状与发展趋势
1.4 论文研究的内容
第二章 特征值提取方法
2.1 引言
2.2 信号的时域诊断函数
2.3 频域特征值提取
2.4 时间序列ARMA,AR,GREEN 模型特征值提取
2.4.1 ARMA 模型定义
2.4.2 GREEN 函数的定义及公式推导
2.5 小结
第三章 主分量法（PCA）及其应用
3.1 引言
3.2 主分量法的原理
3.3 主分量分析的步骤
3.4 试验数据分析
3.4.1 风机滚动轴承振动分析
3.4.2 时域主分量分析
3.4.3 频域主分量分析
3.4.4 基于时间序列AR（n）模型系数的主分量分析
3.4.5 基于GREEN 函数系数的主分量分析
3.5 小结
第四章 核函数主分量（KPCA）在齿轮前期故障诊断中的应用
4.1 引言
4.2 核函数主分量法的原理
4.2.1 核函数主分量分析
4.2.2 几何距离判别函数
4.2.2.1 欧几里德（Euclid）距离判别
4.3 试验分析
4.3.1 试验描述
4.3.2 时域PCA 和KPCA 分析
4.3.3 滤波后的时域PCA 和KPCA 分析
4.3.4 频域PCA 和KPCA 分析
4.3.5 基于AR 参数的PCA 和KPCA 分析
4.3.6 基于GREEN 参数的PCA 和KPCA 分析
4.4 小结
第五章 支持向量机在齿轮故障诊断中的应用
5.1 引言
5.2 机器学习的基本问题
5.2.1 机器学习
5.2.2 VC 维数
5.2.3 结构风险最小化SRM
5.3 线性可分模式的最优分类面
5.4 试验分析
5.5 小结
第六章 滚动轴承数据库的开发
6.1 引言
6.2 滚动轴承振动的基本参数
6.2.1 滚动轴承的典型结构及其特征频率
6.2.2 滚动轴承有异常时的振动特性
6.3 软件的功能分析和开发研制
6.3.1 软件的功能和特性
6.3.2 软件开发环境
6.3.3 软件的基本组成
6.3.4 数据库的开发
6.3.5 滚动轴承参数查询
6.4 小结
第七章 结论与展望
7.1 结论
7.2 研究展望
参考文献
致谢
在学期间发表论文和参加科研情况
【参考文献】：
期刊论文
[1]主元分析方法在火电厂锅炉过程故障检测中的应用[J]. 黄孝彬,刘吉臻,牛玉广. 动力工程. 2004(04)
[2]核主元分析及其在人脸识别中的应用[J]. 黄国宏,邵惠鹤. 计算机工程. 2004(13)
[3]细化包络分析在滚动轴承缺陷诊断中的应用[J]. 杜秋华,杨曙年. 轴承. 2004(03)
[4]设备故障诊断中的特征提取[J]. 张晓梅. 传感器技术. 2004(01)
[5]基于小波包-包络分析的故障特征提取方法[J]. 李辉,宋智勇,孙丰瑞. 振动、测试与诊断. 2003(04)
[6]基于损失函数的SVM算法及其在轻微故障诊断中的应用[J]. 翟永杰,韩璞,王东风,王国鹏. 中国电机工程学报. 2003(09)
[7]核函数主元分析及其在齿轮故障诊断中的应用[J]. 李巍华,廖广兰,史铁林. 机械工程学报. 2003(08)
[8]用VB6.0开发的滚动轴承查询系统[J]. 王建梅,李皓. 太原重型机械学院学报. 2003(01)
[9]基于神经网络的滚动轴承故障监测[J]. 陈向东,赵登峰,王国强,许纯新. 轴承. 2003(02)
[10]基于Kohonen神经网络的滚动轴承故障诊断[J]. 夏利民. 计算机工程. 2003(03)
博士论文
[1]齿轮与滚动轴承故障的振动分析与诊断[D]. 孟涛.西北工业大学 2003
本文编号：3112686
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/3112686.html
