基于振动信号的旋转机械运行状态趋势分析与故障诊断

发布时间：2017-07-17 22:10

  本文关键词：基于振动信号的旋转机械运行状态趋势分析与故障诊断

  更多相关文章： 故障诊断 特征提取及特征选择 支持向量机 邻近粗糙集 主成分分析

【摘要】：在现代工业生产设备中，旋转机械占有重要地位。对旋转机械设备进行状态监测和故障诊断以保证设备的安全运行具有重要的现实意义和经济价值。旋转机械的振动信号是研究设备故障运行状态的重要载体，，在旋转机械振动信号中含有丰富的可以表征设备运行状态的信息，借助信号与信息处理手段从振动信号中提取这些信息，通过这些信息获取设备运行状况以及故障相关状况，是实现对机械运行状态趋势分析和故障诊断的一种行之有效的方法。本文主要工作如下： （1）研究基于支持向量机和小波包分解的旋转机械故障诊断方法。考虑到机械故障诊断时故障模式识别以及有效故障特征信息提取等存在难度，提出基于支持向量机和小波包分解的故障诊断的方法。以不同故障状态的轴承为实验对象，将各状态下轴承的振动信号进行小波包分解，以分解后各频带里信号能量与信号总能量之比作为特征向量来表征设备的运行状态，并以此作为SVM故障分类器的输入，成功实现轴承状态检测和故障诊断。并对影响SVM分类器分类性能的因素进行了分析，研究SVM分类器如何选择最优参数等问题。 （2）提出基于邻近粗糙集属性重要度的故障特征选择方法。在机械故障诊断过程中，如果能够为故障诊断分类器提供一组数量较少且充分、信息不冗余的输入变量，那么分类器将更简单且有效，对提高故障诊断准确率和效率起到关键作用。针对这一问题，提出了基于邻近粗糙集属性重要度的故障特征选择，结合齿轮箱裂纹实验，首先通过时域、频域和基于希尔伯特变换和傅里叶变换残差信号三个方面进行齿轮箱的故障特征提取，通过邻近粗糙集对所有特征进行重要度评价并选出最优特征子集，将最优特征子集作为SVM故障分类器的输入，实现齿轮箱齿轮裂纹识别和运行状态趋势预测。此外，着重对最优特征子集中特征的变化趋势进行了研究。 （3）将基于主成分分析（PCA）的特征级融合引入旋转机械的故障诊断。将轴承实验中由小波包分解所得特征和齿轮箱实验所提取的故障特征进行特征级融合，通过特征间的融合实现故障特征的降维，使得输入到故障分类器的特征集更加简练高效，不仅降低了分类器运行时间减轻了计算量，而且通过对冗余信息的删除提高了故障诊断准确率。
【关键词】：故障诊断 特征提取及特征选择 支持向量机 邻近粗糙集 主成分分析
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-16
• 1.1 课题研究的背景和意义9-10
• 1.2 旋转机械故障诊断的研究内容及发展现状10-13
• 1.2.1 故障机理的研究10
• 1.2.2 故障特征提取方法的研究10-11
• 1.2.3 故障特征选择方法的研究11-12
• 1.2.4 故障诊断推理方法研究12
• 1.2.5 时频分析在机械故障诊断中的应用与研究现状12-13
• 1.3 信息融合方法在故障诊断中的意义与研究现状13-15
• 1.3.1 信息融合的定义与层次13-14
• 1.3.2 在故障诊断领域中引入信息融合技术的意义14
• 1.3.3 特征级信息融合在故障诊断领域国内外研究现状14-15
• 1.4 论文主要内容和结构安排15-16
• 第二章 基于支持向量机和小波包分解的旋转机械故障诊断16-30
• 2.1 引言16
• 2.2 支持向量机(SVM)理论16-18
• 2.2.1 线性支持向量机16-17
• 2.2.2 非线性支持向量机17-18
• 2.3 支持向量机中常用的多故障分类算法18
• 2.4 基于小波包分解的故障特征提取18-23
• 2.4.1 小波包分解原理19-20
• 2.4.2 小波包故障特征提取算法及特征向量的构造20-21
• 2.4.3 故障特征提取算例21-22
• 2.4.4 基于支持向量机和小波包分解的故障诊断步骤及流程22-23
• 2.5 实验验证23-26
• 2.5.1 实验数据描述23
• 2.5.2 分类测试结果23-26
• 2.5.3 结果分析与讨论26
• 2.6 支持向量机 SVM 分类器分类性能影响因素分析26-29
• 2.6.1 核函数对故障分类器性能的影响26-27
• 2.6.2 SVM 分类器中最优参数的选择27-29
• 2.6.3 训练样本数量对故障分类器性能的影响29
• 2.7 本章小结29-30
• 第三章 基于邻近粗糙集属性重要度的故障特征选择30-53
• 3.1 引言30
• 3.2 经典粗糙集30-32
• 3.2.1 粗糙集的定义30-31
• 3.2.2 约简与重要度31-32
• 3.3 邻近粗糙集32-35
• 3.3.1 邻域32-33
• 3.3.2 邻域决策系统33-34
• 3.3.3 邻近粗糙集属性重要度约简算法34-35
• 3.4 实例分析35-37
• 3.5 特征提取与特征选择37-42
• 3.5.1 特征定义与提取37-41
• 3.5.2 基于 NRS 的特征选择41-42
• 3.6 基于 SVM 的特征评价42-47
• 3.6.1 实验设计43-44
• 3.6.2 实验 1 分析44-45
• 3.6.3 实验 2 分析45
• 3.6.4 实验 3 分析45-46
• 3.6.5 结论与分析46-47
• 3.7 特征变化趋势分析47-52
• 3.8 本章小结52-53
• 第四章 基于 PCA 特征级融合的故障诊断53-65
• 4.1 主成分分析方法53
• 4.2 PCA 在机械故障诊断中应用53-54
• 4.3 实例分析 154-57
• 4.3.1 实验步骤54-56
• 4.3.2 结论与分析56-57
• 4.4 实例分析 257-64
• 4.4.1 方案一58-61
• 4.4.2 方案二61-63
• 4.4.3 结论与分析63-64
• 4.5 本章小结64-65
• 第五章 结论与展望65-67
• 5.1 结论65
• 5.2 展望65-67
• 参考文献67-71
• 附件 A71-73
• 附件 B73-75
• 附件 C75-78
• 附件 D78-79
• 攻读学位期间的研究成果79-80

【参考文献】

中国期刊全文数据库 前10条

1 苏咏梅;王振宇;;旋转机械常见故障机理研究[J];长江大学学报(自然科学版)理工卷;2009年04期

2 李兵;张培林;任国全;刘东升;米双山;;基于互信息的滚动轴承故障特征选择方法[J];测试技术学报;2009年02期

3 罗跃纲,陈长征,曾海泉,闻邦椿;基于信息融合的集成小波神经网络故障诊断[J];东北大学学报;2002年08期

4 安学利;蒋东翔;陈杰;刘超;;基于ITD和LS-SVM的风力发电机组轴承故障诊断[J];电力自动化设备;2011年09期

5 颜兆林;冯静;;基于平均互信息熵的复杂系统可靠性评定方法[J];国防科技大学学报;2012年01期

6 吴斌;王敏杰;康晶;罗跃纲;;滚动轴承故障振动信号特征与诊断方法[J];大连理工大学学报;2013年01期

7 夏虹,曹欣荣,王兆祥;基于传感器融合的机械设备故障诊断的方法与系统[J];哈尔滨工程大学学报;1998年04期

8 王洋,高金吉,夏松波;旋转机械支承系统故障机理及识别特征的研究[J];哈尔滨工业大学学报;1999年05期

9 吕宁;于晓洋;;基于二阶互信息特征选取的TE过程故障诊断[J];化工学报;2009年09期

10 古莹奎;黄开启;;基于领域专家知识的发动机模糊可靠性分配方法[J];航空动力学报;2009年05期

中国博士学位论文全文数据库 前2条

1 吕宁;基于数据驱动的故障诊断模型及算法研究[D];哈尔滨理工大学;2009年

2 赵熙临;基于信息融合的电力系统故障诊断技术研究[D];华中科技大学;2009年

本文编号：554838