当前位置:主页 > 硕博论文 > 工程博士论文 >

基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究

发布时间:2018-06-26 08:14

  本文选题:故障诊断 + 滚动轴承 ; 参考:《中国科学技术大学》2017年博士论文


【摘要】:随着社会的发展与生产力水平的不断提高,现代工业要求机械设备向着—体化、自动化、高速化的方向发展。然而设备功能的逐渐增强意味着其复杂程度也会不断增加,这就导致即使仅在一小部分出现故障也很可能会造成难以估量的后果。为了保证机械设备的正常运行,减小其意外的发生对人们生产生活带来的影响,故障诊断技术显得极其重要。机械故障的准确识别与预测不仅能够保障人们的生命财产安全,还能减少企业在维修中的花费,为企业带来更高的经济效益。除此之外,故障诊断技术的发展使得有毒、有害、易燃、易爆等危险产品的生产更具保障,对维护地区甚至国家的政治经济稳定也具有重要意义。在所有的机械故障中,由滚动轴承所引起的故障占机械故障总数的45~55%。轴承的磨损、剥落、点蚀,裂纹等故障的发生将会引发系统崩溃,从而降低了系统的可靠性甚至造成灾难性后果。因此,实施有效的诊断策略减小轴承故障所带来的损失成为了重中之重。本文以稀疏表达理论为基础,以滚动轴承为对象,研究设计了基于稀疏表达理论的轴承信号处理及故障识别的新方法。在研究过程中,本文将稀疏表达方法的最新进展与轴承故障诊断技术相结合,改进传统的诊断策略,提升诊断精度。为了实现这个目标,文章将主要从两方面入手。一方面对稀疏表达理论进行深入探讨,把握领域内的最新进展,了解最前沿的稀疏优化方法。另一方面对滚动轴承信号的故障产生机理进行研究,从而有针对性地设计适合进行故障特征提取的稀疏方法。针对每一种新方法,本文都将通过仿真、实验手段与传统方法进行对比,验证其有效性和优越性。本文的主要研究内容包括:1.对稀疏表达的理论基础,稀疏优化算法以及字典学习算法进行探讨。在介绍过程中,分析各类算法的适用条件及优势所在,以便于设计适用于机械信号处理及轴承特征提取的稀疏优化方法。2.以过完备小波变换为固定基,研究基于小波基的稀疏表达在滚动轴承故障诊断中的应用。本文从时域冗余与频域冗余两方面,选择了两种过完备小波基,利用ADMM方法对故障信号进行稀疏编码并重构。随后,通过仿真和实验证明,相对于传统的小波阈值降噪,经过稀疏优化并重构后的信号,其噪声得到了更好的抑制,故障特征更为突显,为故障的准确诊断创造了有利的条件。这一点很好的验证了稀疏表达的有效性。3.利用KSVD方法训练字典,研究基于学习字典的稀疏表达在轴承健康状态识别中的处理效果。相比于固定基,学习字典可以更准确地探测数据内部的结构特征,对数据进行更稀疏的编码,从而更有利于故障特征提取。本文基于KSVD方法,设计了完整的基于训练字典的故障诊断流程,对该方法在实际应用中的参数选取进行了理论与实验的双重分析。通过仿真与诊断实验,本文验证了 KSVD字典能够准确探测轴承故障信号的冲击特征,获得比固定基稀疏表达更好的诊断效果。4.根据轴承故障信号的组特征,研究基于组稀疏的故障识别策略。实际情况下,滚动轴承的故障冲击均不是独立出现的,而是会在一定范围内形成一簇震荡。针对这种情况,本文提出了冲击探测稀疏编码算法。该算法通过在稀疏优化过程中考虑这样的组信息来实现更精确的编码,从而探测到隐藏于噪声中的故障信息。文章通过仿真与实验证明,冲击探测稀疏编码算法同时具有高精度与高效率。即使难以找到准确的稀疏参数,该算法的高效性允许其在一定范围内选择不同参数对信号进行多次处理,很容易得到良好的诊断结果。5.利用轴承故障信号的周期特性,研究基于低秩优化的诊断方法。滚动轴承故障信号的周期特征意味着每隔一段,信号就会出现一定程度的重复,如果以这些相似的信号段组成矩阵,那么这个矩阵在理想情况下会具有低秩特性。受这个思想的启发,本文提出了低秩冲击探测算法。该算法利用聚类和核范数对故障信号进行优化处理,最终突显故障特征,实现故障的精确诊断。仿真和实验也表明,该算法具有优秀的降噪能力和高精度的诊断结果。
[Abstract]:In this paper , based on sparse representation theory , this paper discusses the application of sparse representation theory in the diagnosis of rolling bearing . Based on the KSVD method , this paper presents a new method for fault diagnosis based on the sparse representation of the bearing .
【学位授予单位】:中国科学技术大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:TH133.33

【相似文献】

相关期刊论文 前10条

1 王延松,李树才,,蒋钰洁;滚动轴承故障的快速诊断[J];林业机械与木工设备;1996年03期

2 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

3 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

4 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

5 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

6 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

7 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

8 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

9 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

10 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

相关会议论文 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集(上册)[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

相关博士学位论文 前10条

1 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

2 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

3 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

4 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

5 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

6 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

7 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

8 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

9 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

10 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012年

相关硕士学位论文 前10条

1 李男;基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2015年

2 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

3 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

4 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

5 冯春生;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];青岛理工大学;2015年

6 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年

7 宋耀文;基于振动信号分析的滚动轴承故障特征提取与诊断研究[D];中国矿业大学;2015年

8 韩一村;基于多传感器的滚动轴承故障检测研究[D];河南科技大学;2015年

9 王秀娟;基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D];电子科技大学;2014年

10 段永强;局部均值分解法在滚动轴承故障自动诊断中的应用研究[D];电子科技大学;2015年



本文编号:2069782

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/gckjbs/2069782.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户bb9c5***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com