基于振动信号特征提取与表达的旋转机械状态监测与故障诊断研究
发布时间：2021-10-17 06:55
在机械设备状态监测与故障诊断研究中,故障特征的提取及表达关系到故障诊断的可靠性与准确性,因此是机械设备故障研究中的关键问题。本文应用时域绝对自相关统计分析、时频分析中小波的分形分析、基于高阶统计量的独立分量分析与盲分离,对旋转机械中的轴承与齿轮的不同状态的振动信号进行特征提取与表达、及分类研究。第一章阐明了机械设备状态监测与故障诊断的选题意义及研究内容,回顾了现有的检测方案及技术手段。分析了现有的振动信号分析方法：时域统计分析、时频分析、基于高阶统计量分析的独立分量分析及盲信号分离。基于轴承、齿轮的振动分析,指出本论文的主要研究内容。第二章提出了一种基于绝对自相关统计分析信号周期瞬态成分检测方法及故障特征极坐标增强表达方法,首先计算信号的时间平均函数,接着计算其自相关函数,再利用快速傅里叶变换计算自相关函数的频谱,根据频谱确定信号的主要频率成分,分别按照这些主要频率成分的周期建立极坐标映射,并将各映射表示在极坐标图上,当对应于周期极坐标图上出现增强的特征表示,即判定待检测信号中存在有此周期的瞬态成分。所提出的方法可以有效的分辨出轴承的状态以及其对应的故障。第三章主要研究了小波变换分形方...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：121 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
插图
表格
第1章 绪论
1.1 机械设备状态监测与故障诊断技术的选题意义与研究内容
1.1.1 选题意义
1.1.2 研究内容
1.2 机械设备状态监测与故障诊断现有检测方案、技术手段分析
1.3 振动信号分析处理方法研究现状
1.3.1 时域统计分析
1.3.2 Fourier分析
1.3.3 时频分析
1.3.4 Hilbert-Huang变换
1.3.5 独立分量分析与盲信号分离
1.4 本论文的主要研究工作
1.4.1 本论文的研究对象
1.4.2 本论文的主要研究内容
第2章 基于绝对自相关的轴承故障瞬态成分检测与特征表达研究
2.1 引言
2.2 基于振动信号的绝对自相关分析
2.3 基于绝对自相关的瞬态成分检测与特征表达
2.4 基于模拟信号瞬态冲击成分检测仿真分析
2.5 轴承振动实验及结果分析
2.5.1 轴承振动实验
2.5.2 实验结果分析
2.6 本章小结
第3章 基于小波分形的滚动轴承状态分类研究
3.1 引言
3.2 小波变换
3.2.1 连续小波变换
3.2.2 离散小波变换
3.2.3 小波包变换
3.3 基于正交小波变换的分形原理
3.4 测试系统及实验设计
3.4.1 测试系统
3.4.2 实验设计
3.5 实验及其结果分析
3.6 本章小结
第4章 独立分量分析及一维振动信号特征提取
4.1 引言
4.2 ICA基础理论
4.2.1 统计独立性与不相关性
4.2.2 ICA模型
4.2.3 ICA的可解性假设及解的不确定性
4.2.4 非高斯性度量
4.2.5 信号的预处理方法
4.3 FastICA算法
4.4 仿真分析
4.5 基于ICA的一维振动信号特征提取分析
4.5.1 基于ICA的一维振动信号特征提取
4.5.2 齿轮箱振动信号实验分析
4.6 本章小结
第5章 基于盲卷积分离模型的故障特征提取研究
5.1 引言
5.2 多传感器测试系统
5.3 盲卷积模型
5.4 信号分离性能评判准则
5.5 仿真实验分析
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
在读期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于PCA及ICA的双空间特征提取算法[J]. 王卫东,韩斌,杨静宇. 中国图象图形学报. 2008(11)
[2]基于PCA和ICA的虹膜识别方法[J]. 孙农亮,于雯雯,曹茂永. 中国图象图形学报. 2008(09)
[3]应用频域ICA对参考输入进行预处理的ANC系统[J]. 吴英姿,鲍雪山,徐新盛. 振动与冲击. 2008(08)
[4]一种基于ICA的多源图像融合算法[J]. 曹杰,龚声蓉,刘纯平,姚望舒,刘全. 中国图象图形学报. 2007(10)
[5]基于独立分量分析的消噪方法在旋转机械特征提取中的应用[J]. 季忠,金涛,杨炯明,秦树人. 中国机械工程. 2005(01)
[6]基于独立成分分析的强背景噪声去噪方法[J]. 孔薇,杨杰,周越. 上海交通大学学报. 2004(12)
[7]基于独立分量分析特征提取的复合神经网络故障诊断法[J]. 杨世锡,焦卫东,吴昭同. 振动工程学报. 2004(04)
[8]基于多项式拟合算法的EMD端点问题的处理[J]. 刘慧婷,张旻,程家兴. 计算机工程与应用. 2004(16)
[9]基于SVM和ICA的视频帧字幕自动定位与提取[J]. 刘骏伟,庄越挺,吴飞. 中国图象图形学报. 2003(11)
[10]希尔伯特-黄变换的端点延拓[J]. 黄大吉,赵进平,苏纪兰. 海洋学报(中文版). 2003(01)
博士论文
[1]基于小波变换与独立分量分析的内燃机振声特性研究[D]. 金岩.浙江大学 2007
[2]多元统计分析在设备状态监测诊断中的应用研究[D]. 何清波.中国科学技术大学 2007
[3]基于独立分量分析的旋转机械故障诊断方法研究[D]. 焦卫东.浙江大学 2003
本文编号：3441327
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：121 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
目录
插图
表格
第1章 绪论
1.1 机械设备状态监测与故障诊断技术的选题意义与研究内容
1.1.1 选题意义
1.1.2 研究内容
1.2 机械设备状态监测与故障诊断现有检测方案、技术手段分析
1.3 振动信号分析处理方法研究现状
1.3.1 时域统计分析
1.3.2 Fourier分析
1.3.3 时频分析
1.3.4 Hilbert-Huang变换
1.3.5 独立分量分析与盲信号分离
1.4 本论文的主要研究工作
1.4.1 本论文的研究对象
1.4.2 本论文的主要研究内容
第2章 基于绝对自相关的轴承故障瞬态成分检测与特征表达研究
2.1 引言
2.2 基于振动信号的绝对自相关分析
2.3 基于绝对自相关的瞬态成分检测与特征表达
2.4 基于模拟信号瞬态冲击成分检测仿真分析
2.5 轴承振动实验及结果分析
2.5.1 轴承振动实验
2.5.2 实验结果分析
2.6 本章小结
第3章 基于小波分形的滚动轴承状态分类研究
3.1 引言
3.2 小波变换
3.2.1 连续小波变换
3.2.2 离散小波变换
3.2.3 小波包变换
3.3 基于正交小波变换的分形原理
3.4 测试系统及实验设计
3.4.1 测试系统
3.4.2 实验设计
3.5 实验及其结果分析
3.6 本章小结
第4章 独立分量分析及一维振动信号特征提取
4.1 引言
4.2 ICA基础理论
4.2.1 统计独立性与不相关性
4.2.2 ICA模型
4.2.3 ICA的可解性假设及解的不确定性
4.2.4 非高斯性度量
4.2.5 信号的预处理方法
4.3 FastICA算法
4.4 仿真分析
4.5 基于ICA的一维振动信号特征提取分析
4.5.1 基于ICA的一维振动信号特征提取
4.5.2 齿轮箱振动信号实验分析
4.6 本章小结
第5章 基于盲卷积分离模型的故障特征提取研究
5.1 引言
5.2 多传感器测试系统
5.3 盲卷积模型
5.4 信号分离性能评判准则
5.5 仿真实验分析
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
参考文献
在读期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于PCA及ICA的双空间特征提取算法[J]. 王卫东,韩斌,杨静宇. 中国图象图形学报. 2008(11)
[2]基于PCA和ICA的虹膜识别方法[J]. 孙农亮,于雯雯,曹茂永. 中国图象图形学报. 2008(09)
[3]应用频域ICA对参考输入进行预处理的ANC系统[J]. 吴英姿,鲍雪山,徐新盛. 振动与冲击. 2008(08)
[4]一种基于ICA的多源图像融合算法[J]. 曹杰,龚声蓉,刘纯平,姚望舒,刘全. 中国图象图形学报. 2007(10)
[5]基于独立分量分析的消噪方法在旋转机械特征提取中的应用[J]. 季忠,金涛,杨炯明,秦树人. 中国机械工程. 2005(01)
[6]基于独立成分分析的强背景噪声去噪方法[J]. 孔薇,杨杰,周越. 上海交通大学学报. 2004(12)
[7]基于独立分量分析特征提取的复合神经网络故障诊断法[J]. 杨世锡,焦卫东,吴昭同. 振动工程学报. 2004(04)
[8]基于多项式拟合算法的EMD端点问题的处理[J]. 刘慧婷,张旻,程家兴. 计算机工程与应用. 2004(16)
[9]基于SVM和ICA的视频帧字幕自动定位与提取[J]. 刘骏伟,庄越挺,吴飞. 中国图象图形学报. 2003(11)
[10]希尔伯特-黄变换的端点延拓[J]. 黄大吉,赵进平,苏纪兰. 海洋学报(中文版). 2003(01)
博士论文
[1]基于小波变换与独立分量分析的内燃机振声特性研究[D]. 金岩.浙江大学 2007
[2]多元统计分析在设备状态监测诊断中的应用研究[D]. 何清波.中国科学技术大学 2007
[3]基于独立分量分析的旋转机械故障诊断方法研究[D]. 焦卫东.浙江大学 2003
本文编号：3441327
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/3441327.html
