發(fā)布時間：2017-11-02 01:35

  本文關(guān)鍵詞：基于時頻分析方法的滾動軸承故障診斷研究

  更多相關(guān)文章： 滾動軸承 故障診斷 時頻分析 LMD 廣義解調(diào)時頻分析方法

【摘要】：機械設(shè)備故障診斷日益的重要,尤其是旋轉(zhuǎn)機械中最重要、最普遍的滾動軸承的故障診斷。為了保證旋轉(zhuǎn)機械設(shè)備的安全、可靠、高效運行,滾動軸承故障診斷是非常重要和必要的。然而,滾動軸承的振動信號具有復雜、非平穩(wěn)的特點。因此,在滾動軸承故障診斷中,故障特征提取是重點難點,也是研究的熱點。本文主要探討研究了廣義解調(diào)時頻分析方法(Generalized Demodulation Approach to Time-frequency, GDAT)、局部均值分解(Local Mean Decomposition, LMD)兩種時頻分析方法,并提出了基于LMD和LSSVM的滾動軸承故障診斷方法和基于GDAT和LSSVM的滾動軸承故障診斷方法。本文研究內(nèi)容如下：(1)文中探討研究了GDAT。在文中分析了GDAT的理論內(nèi)容,通過數(shù)值仿真驗證該方法在提取信號時頻特征的優(yōu)越性,并將這種方法用于滾動軸承的故障診斷中。建立一種基于GDAT的滾動軸承故障診斷方法,并用實驗數(shù)據(jù)進行仿真,通過仿真實驗去驗證該方法在提取滾動軸承故障特征時的優(yōu)越性。(2)LMD算法為我們提供一種新的瞬時頻率求解途徑一直接法。與Hilbert變換相比,運用直接法求取瞬時頻率,不但消除端點效應,而且該方法提取的信息更完整。但直接法還存在一些問題,所以對其進行優(yōu)化改進,使得求取的信號更為準確有效。并提出一種基于LMD直接法的滾動軸承故障診斷方法。(3)為了能夠使?jié)L動軸承故障診斷更為快速準確,同時使其智能化程度更高,文中結(jié)合機器學習方法,建立了基于LMD和LSSVM的滾動軸承故障診斷方法和基于GDAT和LSSVM的滾動軸承故障診斷方法。這兩種方法都比單獨使用LSSVM對滾動軸承進行故障分類的結(jié)果好。
【關(guān)鍵詞】：滾動軸承 故障診斷 時頻分析 LMD 廣義解調(diào)時頻分析方法
【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH133.33;TH165.3
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-19
• 1.1 研究背景與意義11
• 1.2 故障診斷研究現(xiàn)狀11-13
• 1.3 時頻分析方法的研究13-16
• 1.3.1 傅里葉變換14
• 1.3.2 Hilbert-Huang變換14-15
• 1.3.3 極大重疊離散小波包變換15
• 1.3.4 廣義解調(diào)時頻分析方法15-16
• 1.3.5 局部均值分解時頻分析方法16
• 1.4 本文的創(chuàng)新點和章節(jié)安排16-19
• 第二章 理論基礎(chǔ)19-29
• 2.1 EMD分解19-21
• 2.2 LMD分解21-23
• 2.3 MODWPT23-25
• 2.4 廣義解調(diào)時頻分析方法25-26
• 2.5 本章小結(jié)26-29
• 第三章 基于廣義解調(diào)時頻分析方法的滾動軸承故障診斷29-39
• 3.1 廣義解調(diào)時頻分析方法29-30
• 3.2 Hilbert變換30-32
• 3.2.1 解析信號30-31
• 3.2.2 瞬時頻率31-32
• 3.3 基于GDAT的滾動軸承故障診斷32-37
• 3.3.1 基于GDAT的滾動軸承故障診斷方法的建立32-33
• 3.3.2 相位函數(shù)的選擇33-34
• 3.3.3 數(shù)值仿真34-35
• 3.3.4 仿真實驗35-37
• 3.4 本章小節(jié)37-39
• 第四章 基于LMD直接法的滾動軸承故障診斷39-63
• 4.1 LMD分解方法39-42
• 4.1.1 EMD分解方法39-40
• 4.1.2 LMD40-41
• 4.1.3 EMD和LMD分解結(jié)果比較41-42
• 4.2 直接法求取瞬時頻率42-47
• 4.2.1 直接法43-45
• 4.2.2 毛刺出現(xiàn)的原因及解決方法45-46
• 4.2.3 直接法的判別條件46
• 4.2.4 改進“直接法”求取信號瞬時頻率的過程46-47
• 4.3 基于LMD直接法瞬時頻率求解方法47-51
• 4.3.1 基于Hilbert變換的瞬時頻率求解方法47-48
• 4.3.1.1 Hilbert-Huang變換47
• 4.3.1.2 基于LMD和Hilbert變換時頻分析方法147-48
• 4.3.2 基于LMD直接法時頻分析方法48-50
• 4.3.3 仿真結(jié)果比較50-51
• 4.4 基于LMD直接法的滾動軸承故障診斷51-60
• 4.4.1 基于LMD直接法的滾動軸承故障診斷方法的建立51-52
• 4.4.2 數(shù)據(jù)仿真52-60
• 4.4.2.1 時頻譜分析52-54
• 4.4.2.2 邊際譜54-55
• 4.4.2.3 仿真信號的LMD直接法邊際譜分析55-60
• 4.5 本章小結(jié)60-63
• 第五章 基于LSSVM的滾動軸承故障診斷63-73
• 5.1 基于LSSVM的滾動軸承故障診斷思路63-64
• 5.2 AR模型及其參數(shù)求解方法64-65
• 5.3 最小二乘支持向量機65-67
• 5.4 基于LSSVM的滾動軸承故障診斷67-69
• 5.4.1 基于LMD和LSSVM滾動軸承故障診斷67-68
• 5.4.2 基于GDAT和LSSVM的滾動軸承故障診斷68
• 5.4.3 基于LSSVM的滾動軸承故障診斷68-69
• 5.5 數(shù)據(jù)仿真69-72
• 5.6 本章小節(jié)72-73
• 第六章 總結(jié)與展望73-75
• 6.1 總結(jié)73-74
• 6.2 展望74-75
• 參考文獻75-79
• 致謝79-81
• 附錄81

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 楊宇;楊麗湘;程軍圣;;基于MODWPT的包絡(luò)階次譜在滾動軸承故障診斷中的應用[J];哈爾濱工程大學學報;2010年10期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 王龍;基于數(shù)據(jù)驅(qū)動的風力發(fā)電系統(tǒng)齒輪箱故障診斷策略研究[D];江南大學;2013年

，

本文編號：1129447