旋转设备的状态异常检测方法研究
发布时间：2021-10-16 05:12
旋转设备的故障诊断技术在工程中有着重要的地位和应用价值,建立一套特征提取和状态检测的方法是重中之中。通过早期诊断预防设备发生重大事故,对于国民经济和安全具有巨大价值,也是当前研究的焦点。常用的特征识别和检测方法大致分为时域、频域和时频域三大类,然而真实的信号成分复杂且噪声干扰严重。利用现今的机器学习等方法,样本训练的时间成本高且后期仍需要调参,这在工业生产中的应用性差。且旋转设备故障诊断的诸多诊断指标具有不同的适用范围,处理多样性的信号出现效果不佳和错判的情况。由于故障早期信号十分微弱而难以诊断,工业诊断对精确度要求较高。一套在大多数情况下能有效提取特征并做出准确诊断的系统一直是研究的难点,该方向研究也十分有意义。本文针对上述存在的问题,构建了一套有效特征提取和诊断系统,主要研究如下:首先,本文提出基于稀疏滤波和参数化时频分析的方法（SF-PTFA）。通过稀疏滤波选取相应的原子,得到预想的故障特征,然后利用参数化时频分析准确地提取出这些信号。在仿真和真实信号实验中,对轴承和齿轮信号分别展开分析,均能很好地分辨故障信号并将之准确提取。证明了该方法具有在低信噪比的复杂信号中具有故障成分识别...
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图１．２损坏的齿轮设备??众所周知，机械设备在长期的高强度损耗中，不论质量多佳总会出现磨损、??断裂、腐蚀等现象，这些老化现象就是一个个潜在的隐患，需要建立一套监测系??
?第１章绪论???并对故障展开预测，有利于其专家系统的构建。??细胞体??ｒ?＿??图１．３神经元结构图??支持向量机的方法在现今常利用于数据样本较少的情况，因为专家系统和神??经网络等方法均是基于大量数据的基础上展开的学习与预测，如果样本太少会影??响了整体方法的效果。而在支持向量机可以在设备故障诊断中用于识别和监测，??因为其利用统计学习原理能够克服这样的一些毛玻它的优点是在样本数少且样??本为非线性的情况下仍能够得到较好的效果，故其应用到生活的方方面面。??１．２．２软硬件监测系统的发展??对于机械设备的检测技术从古至今都是一个研宄热点问题，各个国家政府高??度重视该方向的研宄，这个问题事关人生安全和国家的经济形势。各国均投入了??大量的人力物力去建立一套良好的监测体系，防止重大事故的发生。在当今的时??代，故障诊断相关方法更加突飞猛进，国外内的状态诊断技术达到了一个新的层??次，主要在以下几个方面飞速发展［３６＿３７］。第一块主要研宄的是监测诊断模式块，??主要为分布式和网络远程模式。??１９７０年开始，随着电子工业的蓬勃发展，整个故障诊断技术迎来了新一波??的高潮，许多监测系统和软件接连问世。随着电子测量技术以及对于频谱的研宄??的深入，产生了许多具有一定实用价值的监测系统，在外国有美国Ｂｅｎｔｌｅｙ公司??研制的状态监测仪，国内主要就是在诊断领域的技术有了重大的突破，主要集中??在时域信号采集、频谱分析等研究方向［２，４］。但是只是围绕信号的输入块，只是通??过一些方法采集到了相关信号，没有对于振动信号分析的一套系统，同时对于设??备的了解较为单一，特别是没有一款软件能够落地应用，大多数情况
Ｌ?Ｉ?Ｉ?１?Ｌ?￣￣＊?；???ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｈｅａ＼ｙ?ｎｏｉｓｅ??〇?〇３?．?ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｓｌｉｇｈｔ?ｎｏｉｓｅ?．??Ｉ?ｉ?ｊ?ｊ?￣￣ｒ??Ｉ?１１１１＇ｉ?ｆ?Ｉ?ｉｊ＇?＂ｉ?■?１??－０．０３＇?－??－０．０４?＾?ｒ?Ｊ?ｒ?１?ｒ?ｒ?［?【???０?０．０２?０．０４?０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??图１．４强弱噪声对于信号检测的影响??如图１．４展示了一个信号在强弱干扰中的不同效果，在图中红色部分是在弱??噪声中的整体信号表示，蓝色是在强噪声信号中的整体表示。结果显而易见，随??着噪声越强，原始信号的特征越不明显。状态监测就是利用相应方法从原始信号??中提取出有效、敏感的特征，达到对未知异常的检测从而保证机器的正常运行。??在实际信号中噪声和各种部件对所要监测的信息来说就是一个强干扰，这导??致了诊断的难度成几何量级增大，如何去除这些干扰的影响，还原故障的本身的??信息一直是当下的一个研究重难点。??２．非稳态信号信息准确提取问题??常规的时域和频域方法用在稳定信号的特征提取中，然而现实中的信号特征??随时间变化而变化其不具备任何规律的。时频分析方法对于非稳态信号的处理各??有优劣，针对旋转设备信号的特征，将这个信号精确提取出来是当前的一大难点。??３．算法复杂度问题??现代人工智能算法对于特征学习有较好的效果，但是这个代价就是算法的复??杂度较高。比如利用神经网络学习相关问题，可能中间层的过多，导致整个算法??计算复杂度较高，计
【参考文献】：
期刊论文
[1]齿轮故障诊断技术研究[J]. 涂旭欣,吴胜利,简晓春. 自动化仪表. 2020(02)
[2]考虑滑动轴承时变动力学参数的齿轮系统建模及分析[J]. 魏维,郭文勇,吴新跃,吴启豪. 振动与冲击. 2019(23)
[3]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)
[4]几种时频分析方法的研究和对比[J]. 赵晓宇,李艳萍,付颜龙,吉向敏,刘煜. 信息通信. 2019(08)
[5]基于人工智能的工程机械故障诊断技术[J]. 张珏. 智能城市. 2019(12)
[6]基于振动信号相位检测的大型机电设备故障诊断技术[J]. 苗可彬. 单片机与嵌入式系统应用. 2019(03)
[7]基于粗糙遗传BP神经网络的滚动轴承故障诊断[J]. 唐立力. 机械工程与自动化. 2018(03)
[8]旋转机械振动监测和故障诊断的智能化[J]. 阮跃,潘勇,徐世昌. 设备管理与维修. 2018(10)
[9]旋转机械频谱智能分析系统的研究与实现[J]. 杨秀文. 山东工业技术. 2016(09)
[10]24种特征指标对轴承状态识别的性能研究[J]. 程晓涵,汪爱明,花如祥,孟国营. 振动.测试与诊断. 2016(02)
博士论文
[1]列车轴承轨边声学故障诊断中多源混叠空时滤波器设计方法研究[D]. 熊伟.中国科学技术大学 2019
[2]参数化时频分析理论、方法及其在工程信号分析中的应用[D]. 杨扬.上海交通大学 2013
[3]旋转机械早期故障特征提取的时频分析方法研究[D]. 鞠萍华.重庆大学 2010
[4]齿轮与滚动轴承故障的振动分析与诊断[D]. 孟涛.西北工业大学 2003
[5]齿轮传动系统的故障诊断方法的研究[D]. 韩振南.太原理工大学 2003
硕士论文
[1]滚动轴承故障诊断的若干方法研究[D]. 刘星辰.中国科学技术大学 2017
[2]旋转机械故障的检测与诊断[D]. 邹巍.北京邮电大学 2013
[3]大型旋转机械振动监测与故障诊断知识体系的研究与实现[D]. 孙楠楠.重庆大学 2006
[4]基于主成分分析的综合评价研究[D]. 张鹏.南京理工大学 2004
本文编号：3439215
【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图１．２损坏的齿轮设备??众所周知，机械设备在长期的高强度损耗中，不论质量多佳总会出现磨损、??断裂、腐蚀等现象，这些老化现象就是一个个潜在的隐患，需要建立一套监测系??
?第１章绪论???并对故障展开预测，有利于其专家系统的构建。??细胞体??ｒ?＿??图１．３神经元结构图??支持向量机的方法在现今常利用于数据样本较少的情况，因为专家系统和神??经网络等方法均是基于大量数据的基础上展开的学习与预测，如果样本太少会影??响了整体方法的效果。而在支持向量机可以在设备故障诊断中用于识别和监测，??因为其利用统计学习原理能够克服这样的一些毛玻它的优点是在样本数少且样??本为非线性的情况下仍能够得到较好的效果，故其应用到生活的方方面面。??１．２．２软硬件监测系统的发展??对于机械设备的检测技术从古至今都是一个研宄热点问题，各个国家政府高??度重视该方向的研宄，这个问题事关人生安全和国家的经济形势。各国均投入了??大量的人力物力去建立一套良好的监测体系，防止重大事故的发生。在当今的时??代，故障诊断相关方法更加突飞猛进，国外内的状态诊断技术达到了一个新的层??次，主要在以下几个方面飞速发展［３６＿３７］。第一块主要研宄的是监测诊断模式块，??主要为分布式和网络远程模式。??１９７０年开始，随着电子工业的蓬勃发展，整个故障诊断技术迎来了新一波??的高潮，许多监测系统和软件接连问世。随着电子测量技术以及对于频谱的研宄??的深入，产生了许多具有一定实用价值的监测系统，在外国有美国Ｂｅｎｔｌｅｙ公司??研制的状态监测仪，国内主要就是在诊断领域的技术有了重大的突破，主要集中??在时域信号采集、频谱分析等研究方向［２，４］。但是只是围绕信号的输入块，只是通??过一些方法采集到了相关信号，没有对于振动信号分析的一套系统，同时对于设??备的了解较为单一，特别是没有一款软件能够落地应用，大多数情况
Ｌ?Ｉ?Ｉ?１?Ｌ?￣￣＊?；???ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｈｅａ＼ｙ?ｎｏｉｓｅ??〇?〇３?．?ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｓｌｉｇｈｔ?ｎｏｉｓｅ?．??Ｉ?ｉ?ｊ?ｊ?￣￣ｒ??Ｉ?１１１１＇ｉ?ｆ?Ｉ?ｉｊ＇?＂ｉ?■?１??－０．０３＇?－??－０．０４?＾?ｒ?Ｊ?ｒ?１?ｒ?ｒ?［?【???０?０．０２?０．０４?０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??图１．４强弱噪声对于信号检测的影响??如图１．４展示了一个信号在强弱干扰中的不同效果，在图中红色部分是在弱??噪声中的整体信号表示，蓝色是在强噪声信号中的整体表示。结果显而易见，随??着噪声越强，原始信号的特征越不明显。状态监测就是利用相应方法从原始信号??中提取出有效、敏感的特征，达到对未知异常的检测从而保证机器的正常运行。??在实际信号中噪声和各种部件对所要监测的信息来说就是一个强干扰，这导??致了诊断的难度成几何量级增大，如何去除这些干扰的影响，还原故障的本身的??信息一直是当下的一个研究重难点。??２．非稳态信号信息准确提取问题??常规的时域和频域方法用在稳定信号的特征提取中，然而现实中的信号特征??随时间变化而变化其不具备任何规律的。时频分析方法对于非稳态信号的处理各??有优劣，针对旋转设备信号的特征，将这个信号精确提取出来是当前的一大难点。??３．算法复杂度问题??现代人工智能算法对于特征学习有较好的效果，但是这个代价就是算法的复??杂度较高。比如利用神经网络学习相关问题，可能中间层的过多，导致整个算法??计算复杂度较高，计
【参考文献】：
期刊论文
[1]齿轮故障诊断技术研究[J]. 涂旭欣,吴胜利,简晓春. 自动化仪表. 2020(02)
[2]考虑滑动轴承时变动力学参数的齿轮系统建模及分析[J]. 魏维,郭文勇,吴新跃,吴启豪. 振动与冲击. 2019(23)
[3]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)
[4]几种时频分析方法的研究和对比[J]. 赵晓宇,李艳萍,付颜龙,吉向敏,刘煜. 信息通信. 2019(08)
[5]基于人工智能的工程机械故障诊断技术[J]. 张珏. 智能城市. 2019(12)
[6]基于振动信号相位检测的大型机电设备故障诊断技术[J]. 苗可彬. 单片机与嵌入式系统应用. 2019(03)
[7]基于粗糙遗传BP神经网络的滚动轴承故障诊断[J]. 唐立力. 机械工程与自动化. 2018(03)
[8]旋转机械振动监测和故障诊断的智能化[J]. 阮跃,潘勇,徐世昌. 设备管理与维修. 2018(10)
[9]旋转机械频谱智能分析系统的研究与实现[J]. 杨秀文. 山东工业技术. 2016(09)
[10]24种特征指标对轴承状态识别的性能研究[J]. 程晓涵,汪爱明,花如祥,孟国营. 振动.测试与诊断. 2016(02)
博士论文
[1]列车轴承轨边声学故障诊断中多源混叠空时滤波器设计方法研究[D]. 熊伟.中国科学技术大学 2019
[2]参数化时频分析理论、方法及其在工程信号分析中的应用[D]. 杨扬.上海交通大学 2013
[3]旋转机械早期故障特征提取的时频分析方法研究[D]. 鞠萍华.重庆大学 2010
[4]齿轮与滚动轴承故障的振动分析与诊断[D]. 孟涛.西北工业大学 2003
[5]齿轮传动系统的故障诊断方法的研究[D]. 韩振南.太原理工大学 2003
硕士论文
[1]滚动轴承故障诊断的若干方法研究[D]. 刘星辰.中国科学技术大学 2017
[2]旋转机械故障的检测与诊断[D]. 邹巍.北京邮电大学 2013
[3]大型旋转机械振动监测与故障诊断知识体系的研究与实现[D]. 孙楠楠.重庆大学 2006
[4]基于主成分分析的综合评价研究[D]. 张鹏.南京理工大学 2004
本文编号：3439215
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3439215.html
