基于振动信号分析的减速电机故障诊断应用研究

发布时间：2021-05-19 18:24

　　减速电机为工业生产的关键基础设备被广泛的应用于各种工业生产领域中,实现对减速电机健康状态监测是保证工业生产过程安全持续进行的关键,展开对减速电机故障诊断技术的研究具有重大意义。在减速电机运行过程中各个部件产生的振动信号能够准确的反应减速电机的健康状态,因此本文分别对减速电机运行过程中转子和轴承产生的振动信号进行分析,实现对减速电机的转子偏心故障和轴承故障进行诊断。本文主要研究内容如下:针对减速电机转子偏心故障,由于实际采集的减速电机转子振动信号中含有很强的噪声成分,利用其合成转子轴心轨迹将很难提取出故障特征。本文首先利用谐波小波对转子振动信号进行提纯处理,并对提纯后振动信号合成的轴心轨迹提取仿射不变矩特征,利用BP神经网络对提取的减速电机转子不同类型偏心故障的仿射不变矩特征进行分类识别实现对减速电机转子偏心故障诊断,并通过仿真实验及设计减速电机转子偏心故障诊断系统对该减速电机转子偏心故障诊断方法的性能进行实验验证,实验结果表明该故障诊断方法能够对几种典型的减速电机转子偏心故障准确的识别。针对减速电机轴承故障,本文设计了一种基于一维卷积神经网络的减速电机轴承故障诊断方法,该方法能够直接从... 

【文章来源】：西安理工大学陕西省

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 主要研究内容
2 减速电机故障诊断相关基础理论
    2.1 减速电机转子轴心轨迹产生机理
        2.1.1 转子振动机理
        2.1.2 转子系统受力分析
        2.1.3 减速电机转子常见偏心故障类型及轴心轨迹图形
    2.2 减速电机轴承故障产生机理分析
        2.2.1 轴承基本结构
        2.2.2 轴承失效表现形式
        2.2.3 轴承故障振动信号特征频率分析
    2.4 本章小结
3 减速电机转子轴心轨迹特征提取与故障诊断
    3.1 转子轴心轨迹谐波小波提纯
        3.1.1 小波去噪基础理论
        3.1.2 谐波小波提纯理论
        3.1.3 轴心轨迹提纯仿真
    3.2 转子轴心轨迹特征提取
        3.2.1 仿射不变矩特征构造
        3.2.2 轴心轨迹图形仿射不变矩计算
    3.3 转子轴心轨迹识别仿真
        3.3.1 BP神经网络基本理论
        3.3.2 轴心轨迹识别网络设计
        3.3.3 轴心轨迹自动识别仿真实验
    3.4 减速电机转子偏心故障诊断系统设计与实际应用
        3.4.1 减速电机转子偏心故障诊断系统硬件
        3.4.2 减速电机转子偏心故障诊断系统软件
        3.4.3 减速电机转子偏心故障诊断系统测试
    3.5 本章小结
4 基于卷积神经网络框架的减速电机轴承故障诊断
    4.1 卷积神经网络基本结构
        4.1.1 卷积层
        4.1.2 激活层
        4.1.3 池化层
        4.1.4 全连接层
        4.1.5 误差函数
        4.1.6 批量归一化层
    4.2 卷积神经网络的误差反向传播
        4.2.1 全连接层反向求导
        4.2.2 池化层反向求导
        4.2.3 卷积层反向求导
        4.2.4 批量归一化层反向求导
    4.3 RAdam优化算法
    4.4 基于一维卷积神经网络的减速电机轴承故障诊断方法
        4.4.1 实验数据来源
        4.4.2 数据集增强
        4.4.3 数据集构建
        4.4.4 网络参数设计
        4.4.5 轴承故障诊断实验与分析
    4.5 基于二维卷积神经网络的减速电机轴承故障诊断方法
        4.5.1 数据集构建
        4.5.2 网络参数设计
        4.5.3 轴承故障诊断实验与分析
    4.6 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间主要研究成果


【参考文献】：
期刊论文
[1]基于三维不变线矩的发电机组导轴承三维轴心轨迹故障识别[J]. 王润鹏,王树新,孟繁欣,朱紫威,白洁,刘忠仁,韩毅.  大电机技术. 2019(06)
[2]基于谐波小波包和IAGA-SVM的滚动轴承故障诊断[J]. 吕维宗,王海瑞,舒捷.  计算机应用与软件. 2019(10)
[3]基于小波包与CNN的滚动轴承故障诊断[J]. 许理,李戈,余亮,姚毅.  四川理工学院学报(自然科学版). 2018(03)
[4]基于时频图和CNN的滚动轴承故障诊断[J]. 刘炳集,熊邦书,欧巧凤,陈新云.  南昌航空大学学报(自然科学版). 2018(02)
[5]基于堆叠稀疏自编码的滚动轴承故障诊断[J]. 侯荣涛,周子贤,赵晓平,谢阳阳,王丽华.  轴承. 2018(03)
[6]自适应谐波窗及其在振动信号频率提取中的应用（英文）[J]. 李舜酩,王金瑞,李香莲.  Journal of Central South University. 2018(01)
[7]结合位移检测和LSSVM的电机故障诊断[J]. 张芳芳,张世荣,程琴.  河南科技大学学报(自然科学版). 2018(02)
[8]基于时序贴近度与改进SVM的水机轴心轨迹诊断[J]. 薛延刚,王勇劲,赵海英,牛广文,乔芳.  排灌机械工程学报. 2017(12)
[9]转子系统三维轴心轨迹和流形学习的故障诊断方法[J]. 邵杰,庞新宇,杨兆建,李峰.  机械科学与技术. 2018(06)
[10]基于高度函数的旋转机械轴心轨迹识别方法[J]. 孙国栋,艾成汉,周振,汤汉兵.  中国测试. 2017(09)

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

硕士论文
[1]基于深度学习的路标识别[D]. 何锐波.江南大学 2019
[2]基于声发射技术的超低速滚动轴承故障诊断研究[D]. 徐桃萍.兰州理工大学 2019
[3]基于改进CNN的变工况下滚动轴承故障诊断方法研究[D]. 李艺伟.哈尔滨理工大学 2019
[4]基于深度学习的旋转机械轴心轨迹细粒度识别算法研究[D]. 艾成汉.湖北工业大学 2018
[5]滚动轴承故障诊断方法研究与系统开发[D]. 刘珍珍.南昌航空大学 2018
[6]基于Mellin变换的仿射不变特征提取[D]. 张亮.南京信息工程大学 2018
[7]基于特征提取和稀疏表示的滚动轴承故障诊断方法研究[D]. 周小东.湖南大学 2018
[8]基于自混合干涉技术的减速电机故障诊断[D]. 周旭明.东北石油大学 2017
[9]基于改进的深度信念网络的行星减速器智能故障诊断方法研究[D]. 邢剑锋.重庆大学 2017
[10]基于改进堆叠降噪自编码网络的轴承故障诊断研究[D]. 侯文擎.华南理工大学 2017



本文编号：3196228