本文關(guān)鍵詞：多轉(zhuǎn)子軸承層次化智能診斷及故障早期預(yù)示方法研究

  更多相關(guān)文章： 多轉(zhuǎn)子軸承 濾波去噪 特征提取及選擇 最優(yōu)特征參數(shù)集 模式識(shí)別 故障預(yù)測(cè) 智能故障診斷系統(tǒng)

【摘要】：隨著機(jī)械化的發(fā)展,現(xiàn)代機(jī)械設(shè)備之間聯(lián)系緊密,發(fā)動(dòng)機(jī)作為現(xiàn)代設(shè)備的動(dòng)力裝置,有著復(fù)雜的系統(tǒng)結(jié)構(gòu),其發(fā)展趨勢(shì)向著高轉(zhuǎn)速方向發(fā)展,作為航空發(fā)動(dòng)機(jī)重要部分的多轉(zhuǎn)子軸承和齒輪等部分常會(huì)出現(xiàn)損壞,其中轉(zhuǎn)子軸承系統(tǒng)會(huì)產(chǎn)生各種故障,這會(huì)影響整體的機(jī)械運(yùn)轉(zhuǎn)狀況。在實(shí)際生產(chǎn)中通常采用故障診斷技術(shù),故障診斷技術(shù)融合了傳感器應(yīng)用,信號(hào)處理方法,人工智能和計(jì)算機(jī)等多方面技術(shù)。通過(guò)對(duì)軸承和轉(zhuǎn)子各部分的檢測(cè)可以監(jiān)控多轉(zhuǎn)子軸承系統(tǒng)的工作狀態(tài)。當(dāng)不同部件產(chǎn)生故障時(shí),所引起的故障信號(hào)頻率和幅值與各部件結(jié)構(gòu)參數(shù)相關(guān),不同結(jié)構(gòu)出現(xiàn)故障時(shí),對(duì)應(yīng)的故障信號(hào)會(huì)呈現(xiàn)特定的形式,通過(guò)分析故障信號(hào)可以得到多轉(zhuǎn)子軸承系統(tǒng)的故障類型和故障特性。針對(duì)航空發(fā)動(dòng)機(jī)中多轉(zhuǎn)子軸承故障,采取適合特定故障信號(hào)的方法,并實(shí)現(xiàn)模塊化應(yīng)用,達(dá)到較高的處理效率。本文首先針對(duì)多轉(zhuǎn)子軸承的系統(tǒng)中的多種故障,采用了最初的小波去噪方法,針對(duì)其去噪結(jié)果的不足,采用了基于自適應(yīng)閾值的改進(jìn)后的去噪法方法,該改進(jìn)后的小波去噪方法,相對(duì)于最初的小波去噪和基于傳統(tǒng)閾值的小波去噪方法去噪效果更明顯,可以提取噪聲背景中的微弱信號(hào),能有效解決噪聲模態(tài)混疊的情況,達(dá)到有效去噪的效果。其次分別對(duì)提取出的故障信號(hào)進(jìn)行特征提取,提取出時(shí)域、頻域、解調(diào)域、小波包能量譜域特征參數(shù),構(gòu)成能反映多轉(zhuǎn)子軸承系統(tǒng)的參數(shù)集,采用KPCA法對(duì)參數(shù)集進(jìn)行壓縮降維處理,大幅度的降低了冗余度進(jìn)而提升效率。KPCA可以有效解決非線性空間參數(shù)集的維數(shù),可以用于故障的動(dòng)態(tài)識(shí)別,可以實(shí)時(shí)有效的降低參數(shù)集的維數(shù)針對(duì)壓縮后的數(shù)據(jù)進(jìn)行模式識(shí)別。文中最后采用了改進(jìn)型神經(jīng)網(wǎng)絡(luò)算法、改進(jìn)型概率神經(jīng)網(wǎng)絡(luò)、改進(jìn)型蟻群遺傳算法,進(jìn)而有效識(shí)別并基本預(yù)測(cè)故障的類型和發(fā)展。在改進(jìn)型神經(jīng)網(wǎng)絡(luò)方法中,采用遺傳算法中的交叉優(yōu)化算子優(yōu)化網(wǎng)絡(luò)的權(quán)值,提升避免網(wǎng)絡(luò)得到局部最優(yōu)解的可能性。本文對(duì)蟻群算法進(jìn)行改進(jìn),能夠改進(jìn)螞蟻解中的轉(zhuǎn)移概率,同時(shí)在公式中增加了均勻兩點(diǎn)交叉算子,有利于提升最優(yōu)解的搜索進(jìn)程,比傳統(tǒng)的蟻群算法有較高的運(yùn)行速度。本文對(duì)概率神經(jīng)網(wǎng)絡(luò)方法進(jìn)行改進(jìn),使其可以識(shí)別故障類型,相對(duì)于上面兩種方法有更高的訓(xùn)練速度和準(zhǔn)確率,穩(wěn)定性也相對(duì)提高,可以有效的識(shí)別多轉(zhuǎn)子軸承系統(tǒng)的多種故障類型,利用GRNN神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)方法對(duì)故障模式進(jìn)行預(yù)測(cè)。最終將改進(jìn)故障診斷方法集合成模塊嵌入故障診斷系統(tǒng)框架中,有針對(duì)性地對(duì)多轉(zhuǎn)子軸承的復(fù)雜信息進(jìn)行層次化的分析,達(dá)到準(zhǔn)確識(shí)別、智能診斷的目的。
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH165.3

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 吳洪艷;黃道平;;基于特征向量提取的核主元分析法[J];計(jì)算機(jī)科學(xué);2009年07期

2 楊先勇;周曉軍;張文斌;楊富春;;基于局域波法和KPCA-LSSVM的滾動(dòng)軸承故障診斷[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2010年08期

3 梁勝杰;張志華;崔立林;;主成分分析法與核主成分分析法在機(jī)械噪聲數(shù)據(jù)降維中的應(yīng)用比較[J];中國(guó)機(jī)械工程;2011年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 張家凡;振動(dòng)信號(hào)的包絡(luò)解調(diào)分析方法研究及應(yīng)用[D];武漢理工大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 熊健;基于振動(dòng)信號(hào)分析和神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷技術(shù)研究[D];中北大學(xué);2008年

，

本文編號(hào)：1183097