機(jī)械早期故障弱信號(hào)提取及智能診斷研究
本文選題：經(jīng)驗(yàn)?zāi)Ｊ椒纸?/strong> 切入點(diǎn)：隨機(jī)共振 出處：《西南交通大學(xué)》2015年博士論文
【摘要】：在機(jī)械設(shè)備早期故障診斷中,最重要也是最困難的就是故障信號(hào)的特征提取。受到現(xiàn)場(chǎng)環(huán)境的影響,所測(cè)得的信號(hào)包含大量的噪聲干擾,信號(hào)的特征很微弱,往往被噪聲淹沒(méi),很難獲得準(zhǔn)確的設(shè)備狀態(tài)信息。如何從含噪的混合信號(hào)中檢測(cè)出微弱故障特征信號(hào)是當(dāng)前研究的一個(gè)熱點(diǎn)問(wèn)題。對(duì)于單一的旋轉(zhuǎn)機(jī)械,論文在研究形態(tài)濾波、奇異值分解(SVD)降噪的基礎(chǔ)上提出了經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)微弱信號(hào)檢測(cè)方法和隨機(jī)共振微弱信號(hào)檢測(cè)方法,并通過(guò)軸承故障得以驗(yàn)證所提方法的有效性；對(duì)于復(fù)雜的旋轉(zhuǎn)機(jī)械,由傳感器采集的信號(hào)源比較復(fù)雜,所以論文研究了基于獨(dú)立分量分析(ICA)的微弱信號(hào)檢測(cè)方法,并成功應(yīng)用于齒輪箱的故障診斷中；對(duì)于有些機(jī)械設(shè)備出現(xiàn)故障時(shí),由于其工作過(guò)程不具有周期性,所以無(wú)法直接從故障頻率來(lái)判斷故障模式,如刀具的磨損監(jiān)測(cè)。鑒于此,論文提出了微弱特征提取與遺傳算法優(yōu)化的B樣條模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的智能診斷方法,最后準(zhǔn)確實(shí)現(xiàn)了刀具磨損的故障診斷。具體的研究?jī)?nèi)容如下：利用聯(lián)合降噪結(jié)合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾姆椒▽?shí)現(xiàn)了軸承的故障診斷。經(jīng)驗(yàn)?zāi)Ｊ椒纸馐且环N自適應(yīng)的時(shí)頻分析方法。在強(qiáng)噪聲背景下利用經(jīng)驗(yàn)?zāi)Ｊ椒纸馓崛」收咸卣鲿r(shí),噪聲的存在會(huì)加重分解的邊界效應(yīng),影響分解的質(zhì)量和效果。因此,論文提出一種將形態(tài)濾波和奇異值分解消噪及EMD結(jié)合起來(lái)的新的弱故障特征提取方法。首先對(duì)原始振動(dòng)信號(hào)進(jìn)行形態(tài)濾波,然后進(jìn)行SVD降噪,最后把消噪的信號(hào)進(jìn)行EMD分解,獲得本征模態(tài)分量提取故障特征信息。仿真信號(hào)和軸承故障分析結(jié)果均表明,該方法可以提高EMD分解的質(zhì)量,能提取到有效的微弱故障特征。由于隨機(jī)共振能夠利用噪聲來(lái)增強(qiáng)信號(hào),所以它在強(qiáng)噪聲背景下檢測(cè)微弱故障特征有著獨(dú)特的優(yōu)勢(shì)。將該方法應(yīng)用于軸承故障診中,可以看出,當(dāng)故障頻率與噪聲頻帶比較接近時(shí),經(jīng)該方法處理后的信號(hào),信噪比更高,故障識(shí)別更明顯。針對(duì)實(shí)際工程上采集的信號(hào)難以滿(mǎn)足小參數(shù)隨機(jī)共振的條件,論文研究移頻-變尺度隨機(jī)共振方法實(shí)現(xiàn)了大參數(shù)信號(hào)的微弱故障檢測(cè)。同時(shí),為了實(shí)現(xiàn)與輸入信號(hào)最佳匹配的隨機(jī)共振參數(shù),提出基于遺傳算法的多參數(shù)同步優(yōu)化的自適應(yīng)隨機(jī)共振算法,以雙穩(wěn)系統(tǒng)輸出的信噪比為適應(yīng)度函數(shù),對(duì)隨機(jī)共振系統(tǒng)中的多個(gè)參數(shù)進(jìn)行同步優(yōu)化,克服了傳統(tǒng)隨機(jī)共振系統(tǒng)只實(shí)現(xiàn)單參數(shù)優(yōu)化的缺點(diǎn)。對(duì)于復(fù)雜的旋轉(zhuǎn)機(jī)械,獨(dú)立分量分析可以從源信號(hào)中分離出各個(gè)獨(dú)立分量,是一種很有效的微弱信號(hào)檢測(cè)方法。對(duì)于含噪的單通道ICA分離方法,提出將噪聲作為虛擬觀測(cè)信號(hào)引入,與傳感器采集的信號(hào)一起構(gòu)成二維觀測(cè)向量,通過(guò)Fast ICA分離,即可以解決盲分離中的欠定問(wèn)題,又可以將信號(hào)中的噪聲去除,從而增強(qiáng)信號(hào)的有效特征；另一方面,對(duì)于多通道盲分離,研究了基于頻域的盲解卷算法,并將這種方法應(yīng)用于齒輪箱的故障監(jiān)測(cè)中,實(shí)驗(yàn)結(jié)果表明了該方法能成功應(yīng)用于機(jī)械故障診斷中。刀具的磨損監(jiān)測(cè)過(guò)程不具有周期性,所以無(wú)法直接從故障頻率來(lái)判斷故障模式,采用B樣條模糊神經(jīng)網(wǎng)絡(luò)則可以實(shí)現(xiàn)刀具磨損的故障診斷。以B樣條為基函數(shù)的模糊神經(jīng)網(wǎng)絡(luò),傳統(tǒng)的學(xué)習(xí)算法是采用自適應(yīng)學(xué)習(xí)算法,網(wǎng)絡(luò)參數(shù)需要根據(jù)經(jīng)驗(yàn)標(biāo)定,容易陷入局部最小,論文采用遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)進(jìn)行全局尋優(yōu),得到了比較好的診斷效果。同時(shí)通過(guò)對(duì)比發(fā)現(xiàn),利用經(jīng)驗(yàn)?zāi)Ｊ椒纸?隨機(jī)共振以及Fast ICA實(shí)現(xiàn)多參數(shù)故障特征提取,可以提高設(shè)備的故障診斷率。實(shí)驗(yàn)表明了所提方法的有效性。論文最后對(duì)本文工作進(jìn)行了總結(jié),并對(duì)故障特征提取技術(shù)的研究進(jìn)行了展望。
[Abstract]:In the early diagnosis of mechanical equipment , the most important is feature extraction of fault signal , which is influenced by the field environment . The measured signal contains a lot of noise interference . It is very difficult to get accurate equipment status information . How to detect weak fault characteristic signal from mixed signal with noise is a hot point of current research .
For complex rotating machinery , the signal source acquired by sensor is more complex , so the weak signal detection method based on independent component analysis ( ICA ) is studied , and it is successfully applied to the fault diagnosis of gear box ;
A new weak fault feature extraction method combining morphological filtering and singular value decomposition with B - spline fuzzy neural network is proposed .
On the other hand , for multi - channel blind separation , the blind deconvolution algorithm based on frequency domain is studied , and the method is applied to fault monitoring of gear box . The experimental results show that the method can be successfully applied to mechanical fault diagnosis .
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TH17
【參考文獻(xiàn)】
相關(guān)期刊論文 前10條
1 鄒曉旭;;基于GA-BP神經(jīng)網(wǎng)絡(luò)礦用通風(fēng)機(jī)故障診斷研究[J];能源技術(shù)與管理;2015年03期
2 張廷;李曉峰;董宏輝;畢軍;;基于隨機(jī)共振和主成分分析的軸承故障診斷[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2015年03期
3 唐立力;呂福起;;基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷[J];機(jī)械設(shè)計(jì)與制造工程;2015年03期
4 崔鳳新;徐麗蘭;鄭新桃;;采用EMD和奇異值分解子空間重構(gòu)的信號(hào)降噪新方法[J];邵陽(yáng)學(xué)院學(xué)報(bào)(自然科學(xué)版);2014年04期
5 孫虎兒;王志武;;級(jí)聯(lián)分段線(xiàn)性隨機(jī)共振的微弱信號(hào)檢測(cè)[J];中國(guó)機(jī)械工程;2014年24期
6 朱一;呂勇;侯高雁;黃浩;;基于形態(tài)學(xué)的一種齒輪故障特征提取方法[J];機(jī)床與液壓;2014年23期
7 張文斌;;奇異值能量差分譜在信號(hào)降噪中的應(yīng)用[J];工礦自動(dòng)化;2014年10期
8 曹偉青;傅攀;李曉暉;;刀具磨損早期故障智能診斷研究[J];中國(guó)機(jī)械工程;2014年18期
9 冷永剛;田祥友;;一階線(xiàn)性系統(tǒng)隨機(jī)共振在轉(zhuǎn)子軸故障診斷中的應(yīng)用研究[J];振動(dòng)與沖擊;2014年17期
10 文成;周傳德;;基于SVD與改進(jìn)EMD的滾動(dòng)軸承故障診斷[J];機(jī)械科學(xué)與技術(shù);2014年05期
，本文編號(hào)：1692467
本文鏈接：http://sikaile.net/jixiegongchenglunwen/1692467.html
