基于数据及多源信息融合的轴承与行星齿轮箱故障诊断
发布时间：2022-02-09 23:22
随着我国从科技大国迈向科技强国的步伐越来越快,大型机械设备系统的设计愈发精密与复杂。为了减少机械设备故障带来的损失,实现高效的故障诊断,提升机械设备可靠性,本文以机械设备的关键部位——滚动轴承与行星齿轮箱为研究对象,重点研究了信号分析处理技术、多源信息融合技术以及基于数据的故障诊断技术等,主要研究内容分为以下几个部分。首先本文研究滚动轴承和行星齿轮箱的故障信号分析处理技术。从研究滚动轴承和行星齿轮箱故障成因入手,分析其常见故障及影响因素。针对原始故障信号具有一定的冗余性、不确定性等特点,采用时频域分析对原始故障信号进行特征提取研究,从多种角度对不同形态信号进行分析。针对时频分析处理得到的多个故障特征采用粗糙集理论进行特征筛选处理,保留对诊断结果影响较大的故障特征,从而简化系统模型,实现故障诊断效率的提升。接着本文对滚动轴承和行星齿轮箱进行多种故障模拟,通过模拟典型工况下的运行状态,采集系统故障信号,为多源信息融合诊断方法与故障诊断方法研究提供数据准备。然后本文主要研究多源信息融合方法。针对云模型具有随机性、模糊性以及不确定性的特点,采用云模型优化D-S证据理论,降低证据之间的高度冲突性...
【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
导入数据操作
第二章滚动轴承及行星齿轮箱故障信号分析处理研究15图2-5导入数据操作（2）属性离散化。如图2-6所示，选择Entropy/MDLalgorithm（信息熵法）作为离散化方法进行属性离散。图2-6属性离散化操作因为信息熵由概率分布情况唯一决定，因此具有较强的抗干扰性，信息熵法能够降低信息丢失程度，具有一定的客观真实性。（3）属性约简操作。如图2-7所示，在Rosetta软件中，选择遗传算法（Geneticalgorithm）进行属性约简。遗传算法具有良好的搜索能力且较快的寻找到最优解，简单高效，具有一定可扩展性。
电子科技大学硕士学位论文16图2-7选择优化算法进行属性约简2.3故障试验平台为了获取机械系统中滚动轴承和行星齿轮箱在不同故障模式和不同损伤程度下的征兆及信号特点，从而有针对性地开展故障特征提取和故障诊断，本论文将对滚动轴承和行星齿轮箱进行不同程度的损伤故障模拟，如常见的裂纹、点蚀和脱落等典型局部损伤故障。通过模拟稳态和瞬态等典型工况下的运行状态，采用多个加速度传感器、位移传感器以及温度传感器等分别采集振动信号、电压信号以及温度信号等。通过进行故障模拟试验，为故障时频特征提取方法研究、多源信息融合诊断方法研究以及故障诊断方法研究提供数据保障。2.3.1故障试验平台介绍（1）试验平台设计根据对机械设备关键部件——滚动轴承和行星齿轮箱的结构原理进行了研究和分析，教研室与无锡市厚德自动化仪表有限公司共同设计制造一台适用于模拟机械系统中滚动轴承和行星齿轮箱的综合多功能试验台。具体的技术指标如下：1）驱动单元：采用额定功率为3kw的三相变频减速电机，调速范围为0-5900r/min。
【参考文献】：
期刊论文
[1]基于时域和频域分析的滚动轴承故障诊断[J]. 程秀芳,王鹏. 华北理工大学学报(自然科学版). 2020(01)
[2]行星齿轮箱齿轮磨损故障诊断[J]. 李海平,赵建民,张鑫,倪祥龙. 振动与冲击. 2019(23)
[3]多源信息融合技术及其应用研究[J]. 杨晓梅,张菊玲,赵忠华. 无线互联科技. 2019(18)
[4]滚动轴承故障诊断方法综述[J]. 陈强强,戴邵武,戴洪德,聂子健. 仪表技术. 2019(09)
[5]利用多源信息和深度置信神经网络的配电系统空间负荷预测[J]. 梁荣,杨波,马润泽,吴健,吴奎华,林振智,文福拴. 电力建设. 2018(10)
[6]旋转机械故障诊断研究方法综述[J]. 苏乃权,熊建斌,张清华,黄崇林. 机床与液压. 2018(07)
[7]基于多源信息融合-相关向量机的风力发电机故障诊断[J]. 杨璐璐,张新燕,牛盛瑜,张冠琪,张亚敏. 电机与控制应用. 2018(03)
[8]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[9]机电设备振动信号故障诊断算法研究[J]. 王宇,罗倩,纪厚业. 计算机仿真. 2017(05)
[10]基于证据理论的多源信息融合模型[J]. 安春莲,黄静,吴耀云. 电子信息对抗技术. 2017(01)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[3]多源图像处理关键技术研究[D]. 蒋少华.华中科技大学 2011
硕士论文
[1]基于AHP-云模型的PPP项目风险评价研究[D]. 李亮.北京交通大学 2019
[2]基于卷积神经网络的滚动轴承及行星齿轮箱故障诊断方法[D]. 张神林.安徽工业大学 2018
[3]基于机器学习的故障预测与健康管理（PHM）方法研究[D]. 李永亮.电子科技大学 2017
[4]基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D]. 冯春生.青岛理工大学 2015
[5]基于云服务模式的文本过滤关键技术研究与应用[D]. 卢云玲.电子科技大学 2014
[6]基于信息融合的全自动生化分析仪故障检测技术研究[D]. 郭维.沈阳工业大学 2013
[7]舵桨联控式水下机器人执行器故障诊断技术研究[D]. 盖宁.哈尔滨工程大学 2011
[8]基于生命周期的智能家居故障预测诊断算法[D]. 王方.重庆大学 2008
[9]基于小波和支持向量机的风机故障趋势预测研究[D]. 王衍学.广西大学 2006
本文编号：3617823
【文章来源】：电子科技大学四川省211工程院校985工程院校教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
导入数据操作
第二章滚动轴承及行星齿轮箱故障信号分析处理研究15图2-5导入数据操作（2）属性离散化。如图2-6所示，选择Entropy/MDLalgorithm（信息熵法）作为离散化方法进行属性离散。图2-6属性离散化操作因为信息熵由概率分布情况唯一决定，因此具有较强的抗干扰性，信息熵法能够降低信息丢失程度，具有一定的客观真实性。（3）属性约简操作。如图2-7所示，在Rosetta软件中，选择遗传算法（Geneticalgorithm）进行属性约简。遗传算法具有良好的搜索能力且较快的寻找到最优解，简单高效，具有一定可扩展性。
电子科技大学硕士学位论文16图2-7选择优化算法进行属性约简2.3故障试验平台为了获取机械系统中滚动轴承和行星齿轮箱在不同故障模式和不同损伤程度下的征兆及信号特点，从而有针对性地开展故障特征提取和故障诊断，本论文将对滚动轴承和行星齿轮箱进行不同程度的损伤故障模拟，如常见的裂纹、点蚀和脱落等典型局部损伤故障。通过模拟稳态和瞬态等典型工况下的运行状态，采用多个加速度传感器、位移传感器以及温度传感器等分别采集振动信号、电压信号以及温度信号等。通过进行故障模拟试验，为故障时频特征提取方法研究、多源信息融合诊断方法研究以及故障诊断方法研究提供数据保障。2.3.1故障试验平台介绍（1）试验平台设计根据对机械设备关键部件——滚动轴承和行星齿轮箱的结构原理进行了研究和分析，教研室与无锡市厚德自动化仪表有限公司共同设计制造一台适用于模拟机械系统中滚动轴承和行星齿轮箱的综合多功能试验台。具体的技术指标如下：1）驱动单元：采用额定功率为3kw的三相变频减速电机，调速范围为0-5900r/min。
【参考文献】：
期刊论文
[1]基于时域和频域分析的滚动轴承故障诊断[J]. 程秀芳,王鹏. 华北理工大学学报(自然科学版). 2020(01)
[2]行星齿轮箱齿轮磨损故障诊断[J]. 李海平,赵建民,张鑫,倪祥龙. 振动与冲击. 2019(23)
[3]多源信息融合技术及其应用研究[J]. 杨晓梅,张菊玲,赵忠华. 无线互联科技. 2019(18)
[4]滚动轴承故障诊断方法综述[J]. 陈强强,戴邵武,戴洪德,聂子健. 仪表技术. 2019(09)
[5]利用多源信息和深度置信神经网络的配电系统空间负荷预测[J]. 梁荣,杨波,马润泽,吴健,吴奎华,林振智,文福拴. 电力建设. 2018(10)
[6]旋转机械故障诊断研究方法综述[J]. 苏乃权,熊建斌,张清华,黄崇林. 机床与液压. 2018(07)
[7]基于多源信息融合-相关向量机的风力发电机故障诊断[J]. 杨璐璐,张新燕,牛盛瑜,张冠琪,张亚敏. 电机与控制应用. 2018(03)
[8]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[9]机电设备振动信号故障诊断算法研究[J]. 王宇,罗倩,纪厚业. 计算机仿真. 2017(05)
[10]基于证据理论的多源信息融合模型[J]. 安春莲,黄静,吴耀云. 电子信息对抗技术. 2017(01)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]基于数据驱动的行星齿轮箱故障诊断方法研究[D]. 刘志亮.电子科技大学 2013
[3]多源图像处理关键技术研究[D]. 蒋少华.华中科技大学 2011
硕士论文
[1]基于AHP-云模型的PPP项目风险评价研究[D]. 李亮.北京交通大学 2019
[2]基于卷积神经网络的滚动轴承及行星齿轮箱故障诊断方法[D]. 张神林.安徽工业大学 2018
[3]基于机器学习的故障预测与健康管理（PHM）方法研究[D]. 李永亮.电子科技大学 2017
[4]基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D]. 冯春生.青岛理工大学 2015
[5]基于云服务模式的文本过滤关键技术研究与应用[D]. 卢云玲.电子科技大学 2014
[6]基于信息融合的全自动生化分析仪故障检测技术研究[D]. 郭维.沈阳工业大学 2013
[7]舵桨联控式水下机器人执行器故障诊断技术研究[D]. 盖宁.哈尔滨工程大学 2011
[8]基于生命周期的智能家居故障预测诊断算法[D]. 王方.重庆大学 2008
[9]基于小波和支持向量机的风机故障趋势预测研究[D]. 王衍学.广西大学 2006
本文编号：3617823
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3617823.html
