机械设备故障特征提取技术研究
发布时间：2021-01-08 02:46
机械设备是制造业中重要的组成环节之一,随着人工智能产业的逐渐兴起,制造业也融入了智能化元素。机械设备的工作环境大多比较恶劣,并且机械设备结构复杂、各零件之间关系紧密且相互配合,同时在机械设备中滚动轴承的使用频率最高,所以容易受到磨损,而滚动轴承能否正常运转直接决定整个机械设备的运转情况。所以,本课题对机械设备的滚动轴承的各种故障类型信号进行特征提取,并设计分类器模型进行故障诊断。本文首先通过小波分析对信号进行降噪处理,由于单个传感器中采集到的信号可能存在多种故障类型信号,所以本文选取ICA算法实现盲信号特征提取,将不同类型的故障信号进行分离,以便后续对单一故障类型信号进行处理。本文选取EMD方法对单一故障信号进行特征提取,由于EMD分解中存在端点效应,引入支持向量回归改善EMD分解效果。然后根据能量分布情况,确定分解层数,获得特征向量。同时,本文还引入了AR模型,将EMD分解方法和AR模型相结合,以AR模型的自回归系数和模型方差作为特征向量。同时,针对故障信号的准确分类,建立故障诊断分类模型,用于测试两种故障特征提取的方法。首先,设计了神经网络主分类器结构,引入弹性网络抑制其过拟合现象...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
新的双稳态模型去噪效果[11]
哈尔滨工业大学工学硕士学位论文-3-征提龋对比结果验证了该方法的优越性，在机械弱故障特征提取中十分有效。图1-1新的双稳态模型去噪效果[11]2015年，B.Chouri等人引入alpha稳定分布对故障轴承振动信号进行特征提取，通过非高斯模型能够准确地描述具有脉冲行为的轴承故障信号的统计特性，并采用加权向量机实现自动故障诊断，仿真结果表明，该方法性能优良[12]。Dhamande,LaxmikantS.等人对单级直齿圆柱齿轮箱在齿轮和轴承均有缺陷的情况下进行振动分析，设计了一套状态监测装置，如图1-2所示，用于分析轴承外套圈缺陷和齿轮损坏情况，利用神经网络进行诊断提出了一种利用振动信号分析多部件缺陷的损伤检测新方法[13]。图1-2状态监测试验台[13]2017年，A.Krishnakumari等人对直齿圆柱齿轮的状态监测和故障诊断作为模式识别进行研究，通过偏度、标准差、波峰因子等统计特征作为信号特征，利用决策树进行特征提取，筛选出最佳特征，建立模糊分类器，将最优特征用于训练模糊分类器进行故障诊断[14]。2018年，Roy,Mohendra提出了基于传统的自动编码器和在线顺序极限学习机
哈尔滨工业大学工学硕士学位论文-4-（OLELM）的堆栈，开发了一种在线状态监视的自动特征提取方法[15]，其神经网络的堆栈排列如图1-3所示。他改善了传统自动编码器局限于图像和音频处理领域的缺点。该方法对于NASA轴承数据集的轴承健康状态提取上可以达到100%的检测精度。同时该方法的设计为基于物联网的硬件实现也提供了便利。图1-3在线特征提取和状态监测的神经网络的堆栈排列[15]1.2.2国内研究现状虽然我国对于机械振动信号特征提取和诊断技术起步较晚，尤其基础的信号处理技术研究较少，但是，近年来我国也有很多优秀的学者在这方面取得巨大的成果，国内也出现更多性能优越的模型和算法。2008年，刘林、王一华将小波变换和模糊理论一起研究，能实现有效监测[16]。采用统计规则的方法自适应地确定小波空间各阶的阈值和分解水平，增加信噪比。通过小波变换获取有效特征向量，并基于相关矩阵通过模糊诊断方程对故障模式进行分类，网络结构由扩展卡尔曼滤波实现，讨论了故障诊断算法的鲁棒性。经测试，该方法可以有效得诊断发动机的振动故障。2015年，龙寒等人提出了一种基于改进的Fast-ICA算法和小波包能谱的特征提取方法[17]。独立成分分析算法（Independentcomponentanalysis，ICA）只能分离混合信号，而收敛速度且效果不充分。该作者还提出用三阶牛顿迭代法对Fast-ICA算法进行改进。改进后的Fast-ICA算法具有更高的收敛速度和更高的精度。此外，作者还采用SVM算法进行故障诊断，结果表明，该方法在特征提取中是足够有效的，并且可以准确的识别出轴承的轻微损坏和断裂。JianJiaPan等人在信号处理和机器学习的领域中对信号进行处理，依据自适应的极值经验模态分解法，提出了一种基于时间序列的分解-预测-集成的方法。将人
本文编号：2963754
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
新的双稳态模型去噪效果[11]
哈尔滨工业大学工学硕士学位论文-3-征提龋对比结果验证了该方法的优越性，在机械弱故障特征提取中十分有效。图1-1新的双稳态模型去噪效果[11]2015年，B.Chouri等人引入alpha稳定分布对故障轴承振动信号进行特征提取，通过非高斯模型能够准确地描述具有脉冲行为的轴承故障信号的统计特性，并采用加权向量机实现自动故障诊断，仿真结果表明，该方法性能优良[12]。Dhamande,LaxmikantS.等人对单级直齿圆柱齿轮箱在齿轮和轴承均有缺陷的情况下进行振动分析，设计了一套状态监测装置，如图1-2所示，用于分析轴承外套圈缺陷和齿轮损坏情况，利用神经网络进行诊断提出了一种利用振动信号分析多部件缺陷的损伤检测新方法[13]。图1-2状态监测试验台[13]2017年，A.Krishnakumari等人对直齿圆柱齿轮的状态监测和故障诊断作为模式识别进行研究，通过偏度、标准差、波峰因子等统计特征作为信号特征，利用决策树进行特征提取，筛选出最佳特征，建立模糊分类器，将最优特征用于训练模糊分类器进行故障诊断[14]。2018年，Roy,Mohendra提出了基于传统的自动编码器和在线顺序极限学习机
哈尔滨工业大学工学硕士学位论文-4-（OLELM）的堆栈，开发了一种在线状态监视的自动特征提取方法[15]，其神经网络的堆栈排列如图1-3所示。他改善了传统自动编码器局限于图像和音频处理领域的缺点。该方法对于NASA轴承数据集的轴承健康状态提取上可以达到100%的检测精度。同时该方法的设计为基于物联网的硬件实现也提供了便利。图1-3在线特征提取和状态监测的神经网络的堆栈排列[15]1.2.2国内研究现状虽然我国对于机械振动信号特征提取和诊断技术起步较晚，尤其基础的信号处理技术研究较少，但是，近年来我国也有很多优秀的学者在这方面取得巨大的成果，国内也出现更多性能优越的模型和算法。2008年，刘林、王一华将小波变换和模糊理论一起研究，能实现有效监测[16]。采用统计规则的方法自适应地确定小波空间各阶的阈值和分解水平，增加信噪比。通过小波变换获取有效特征向量，并基于相关矩阵通过模糊诊断方程对故障模式进行分类，网络结构由扩展卡尔曼滤波实现，讨论了故障诊断算法的鲁棒性。经测试，该方法可以有效得诊断发动机的振动故障。2015年，龙寒等人提出了一种基于改进的Fast-ICA算法和小波包能谱的特征提取方法[17]。独立成分分析算法（Independentcomponentanalysis，ICA）只能分离混合信号，而收敛速度且效果不充分。该作者还提出用三阶牛顿迭代法对Fast-ICA算法进行改进。改进后的Fast-ICA算法具有更高的收敛速度和更高的精度。此外，作者还采用SVM算法进行故障诊断，结果表明，该方法在特征提取中是足够有效的，并且可以准确的识别出轴承的轻微损坏和断裂。JianJiaPan等人在信号处理和机器学习的领域中对信号进行处理，依据自适应的极值经验模态分解法，提出了一种基于时间序列的分解-预测-集成的方法。将人
本文编号：2963754
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2963754.html
