基于加权排列熵和ELM的通风机轴承故障诊断研究
发布时间：2021-08-08 23:40
滚动轴承是煤矿通风机的重要零件,对其进行运行状态监测是保证煤矿安全生产的关键技术,本文将不同状态下,通风机轴承振动信号作为研究对象,以信号特征参数为主要依据实现轴承故障预警及分类诊断。在故障预警环节,利用轴承处于不同运行状态时,振动信号的梅尔频率倒谱系数存在差异这一特点,将其第一维参数与信号谱熵相乘得到谱熵梅尔积特征（MFPH）,提高信号特征的抗噪能力,同时最大化正常信号与故障信号间的差异;通过贝叶斯信息准则确定分类簇数,利用模糊C均值聚类算法自适应获取信号谱熵梅尔积特征参数的高低门限,最后通过双门限法找到故障起始点,实现自适应故障预警。在信号分解环节,以经验模态分解（EMD）为基本分解方法,采用相关系数法剔除结果中的虚假分量;采用支持向量回归机（SVR）延拓再分解的方法抑制端点效应问题;使用自适应集总局部积分均值分解（AELIMD）算法,通过噪声数据辅助分析缓解EMD的模态混叠现象,通过与EMD、互补集总经验模态分解的对比实验,证明应用AELIMD方法分解信号能得到更真实的频率成分。在特征提取环节,介绍了信号能量、排列熵及加权排列熵特征向量的构成方法,进行基于真实滚动轴承振动信号的分...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
滚动轴承故障模拟发生平台Figure3-5Rollingbearingfaultsimulationplatform
【参考文献】：
期刊论文
[1]A new bearing fault diagnosis method based on modified convolutional neural networks[J]. Jiangquan ZHANG,Yi SUN,Liang GUO,Hongli GAO,Xin HONG,Hongliang SONG. Chinese Journal of Aeronautics. 2020(02)
[2]基于加权排列熵和DE-ELM的滚动轴承故障诊断[J]. 吴新忠,张旭,李博华,夏令祥. 制造技术与机床. 2020(02)
[3]自适应改进双树复小波变换的齿轮箱故障诊断[J]. 陈旭阳,韩振南,宁少慧. 振动.测试与诊断. 2019(05)
[4]基于ELMD与改进SMSVM的机械故障诊断方法[J]. 任世锦,潘剑寒,李新玉,徐桂云,巩固. 南京航空航天大学学报. 2019(05)
[5]集成多策略改进FCM算法的旋转机械故障数据聚类分析研究[J]. 邓林峰,张爱华,赵荣珍. 振动工程学报. 2019(05)
[6]基于改进LE和约束种子K均值的半监督故障识别[J]. 张鑫,郭顺生,江丽. 振动与冲击. 2019(16)
[7]同步挤压改进短时傅里叶变换分频相干技术在断裂识别中的应用[J]. 严海滔,周怀来,牛聪,巫南克,周健. 石油地球物理勘探. 2019(04)
[8]中国煤炭产业发展现状分析[J]. 吴楠. 中外企业家. 2019(23)
[9]基于动态统计滤波与深度学习的智能故障诊断方法[J]. 宋浏阳,李石,王芃鑫,王华庆. 仪器仪表学报. 2019(07)
[10]A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering[J]. Yongtao Hu,Shuqing Zhang,Anqi Jiang,Liguo Zhang,Wanlu Jiang,Junfeng Li. Chinese Journal of Mechanical Engineering. 2019(03)
本文编号：3330909
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：110 页
【学位级别】：硕士
【部分图文】：
滚动轴承故障模拟发生平台Figure3-5Rollingbearingfaultsimulationplatform
【参考文献】：
期刊论文
[1]A new bearing fault diagnosis method based on modified convolutional neural networks[J]. Jiangquan ZHANG,Yi SUN,Liang GUO,Hongli GAO,Xin HONG,Hongliang SONG. Chinese Journal of Aeronautics. 2020(02)
[2]基于加权排列熵和DE-ELM的滚动轴承故障诊断[J]. 吴新忠,张旭,李博华,夏令祥. 制造技术与机床. 2020(02)
[3]自适应改进双树复小波变换的齿轮箱故障诊断[J]. 陈旭阳,韩振南,宁少慧. 振动.测试与诊断. 2019(05)
[4]基于ELMD与改进SMSVM的机械故障诊断方法[J]. 任世锦,潘剑寒,李新玉,徐桂云,巩固. 南京航空航天大学学报. 2019(05)
[5]集成多策略改进FCM算法的旋转机械故障数据聚类分析研究[J]. 邓林峰,张爱华,赵荣珍. 振动工程学报. 2019(05)
[6]基于改进LE和约束种子K均值的半监督故障识别[J]. 张鑫,郭顺生,江丽. 振动与冲击. 2019(16)
[7]同步挤压改进短时傅里叶变换分频相干技术在断裂识别中的应用[J]. 严海滔,周怀来,牛聪,巫南克,周健. 石油地球物理勘探. 2019(04)
[8]中国煤炭产业发展现状分析[J]. 吴楠. 中外企业家. 2019(23)
[9]基于动态统计滤波与深度学习的智能故障诊断方法[J]. 宋浏阳,李石,王芃鑫,王华庆. 仪器仪表学报. 2019(07)
[10]A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering[J]. Yongtao Hu,Shuqing Zhang,Anqi Jiang,Liguo Zhang,Wanlu Jiang,Junfeng Li. Chinese Journal of Mechanical Engineering. 2019(03)
本文编号：3330909
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3330909.html
