發(fā)布時(shí)間：2018-04-29 09:15

  本文選題：圖譜理論 + 鄰接圖��； 參考：《湖南大學(xué)》2016年博士論文

【摘要】：機(jī)械設(shè)備的狀態(tài)監(jiān)測與故障診斷對于保證設(shè)備的安全、可靠、高效運(yùn)行具有重要的理論意義和實(shí)用價(jià)值。當(dāng)機(jī)械設(shè)備發(fā)生故障時(shí),其振動(dòng)信號中包含了相應(yīng)的故障信息,如何從振動(dòng)信號中提取故障特征信息并進(jìn)行模式識別是機(jī)械設(shè)備故障診斷研究的熱點(diǎn)。齒輪箱是機(jī)械設(shè)備中的關(guān)鍵零部件,保證齒輪箱正常運(yùn)行是設(shè)備維護(hù)工作的重要內(nèi)容。但齒輪箱的工作狀態(tài)復(fù)雜,運(yùn)轉(zhuǎn)速度變化大,承載方式多樣,這些都會(huì)給齒輪箱故障診斷產(chǎn)生不利影響,從而降低各種傳統(tǒng)診斷方法的效能。圖譜理論通過圖矩陣的特征值和特征向量進(jìn)行分析,能有效提取隱藏在數(shù)據(jù)內(nèi)部的故障信息。本文在國家自然科學(xué)基金(51275161)的資助下,以齒輪箱故障振動(dòng)信號為研究對象,將圖譜理論方法與現(xiàn)代信號處理理論相結(jié)合,對齒輪箱故障診斷過程中遇到的特征提取、特征選擇、模式識別、分量提取等問題進(jìn)行研究。在此基礎(chǔ)上,建立完整系統(tǒng)的基于圖譜理論的齒輪箱故障診斷方法。本文開展并完成了如下研究工作:(1)將路圖引入時(shí)間序列分析,對路圖信號在不同權(quán)值定義下的圖傅里葉變換(Graph Fourier Transform,GFT)進(jìn)行了分析。針對傳統(tǒng)的鄰接矩陣權(quán)值定義不能真實(shí)反映頂點(diǎn)與頂點(diǎn)之間差異性的問題,定義了一種基于歐氏距離的鄰接矩陣權(quán)值。結(jié)果表明:在權(quán)值定義為1的情況下,拉普拉斯矩陣的特征向量具有統(tǒng)一的諧波形式,且階次與頻率有對應(yīng)關(guān)系。與傅里葉變換(Fourier Transform,FT)相比,GFT圖譜域的幅值特征更明顯;在權(quán)值定義為歐氏距離的情況下,拉普拉斯矩陣的特征向量具有明顯的局部特征,且階次越高,特征向量越類似于單個(gè)的沖擊,即GFT圖譜域中高階次區(qū)域的譜線集中反映了信號的沖擊特征。(2)針對初始特征集中故障敏感特征難以分辨的問題,將拉普拉斯分值(Laplaian Score,LS)應(yīng)用于滾動(dòng)軸承振動(dòng)信號的故障特征選擇,提出了基于LS與模糊C均值聚類(Fuzzy CMeans Clustering,FCM)的滾動(dòng)軸承故障診斷方法。為了避免LS計(jì)算中近鄰圖參數(shù)k的設(shè)定,提出了監(jiān)督拉普拉斯分值(Supervised Laplaian Score,SLS)的特征選擇方法,并提出了與主元分析(Principal Component Analysis,PCA)相結(jié)合的滾動(dòng)軸承故障診斷方法。利用以上方法對滾動(dòng)軸承故障振動(dòng)信號進(jìn)行了分析,結(jié)果表明:兩種特征選擇方法都能有效提取與故障相關(guān)的特征,減少無關(guān)或冗余特征,從而提高故障診斷識別準(zhǔn)確度。無監(jiān)督的LS特征提取方法是通過局部保持能力來衡量特征,而監(jiān)督的SLS則是同時(shí)考慮數(shù)據(jù)的標(biāo)號信息和局部幾何結(jié)構(gòu),具有比LS更集中的故障分類效果,是一種新的監(jiān)督式的特征選擇方法。(3)為了將譜方法的模式識別能力應(yīng)用于機(jī)械故障診斷領(lǐng)域,提出了拉普拉斯特征向量相關(guān)譜,并應(yīng)用于滾動(dòng)軸承故障診斷。拉普拉斯特征向量相關(guān)譜定義為拉普拉斯矩陣特征向量之間夾角余弦的絕對值,由特征集的拉普拉斯矩陣進(jìn)行標(biāo)準(zhǔn)正交分解后得到。該方法的特點(diǎn)是將故障模式識別問題轉(zhuǎn)化為求解特征值問題,計(jì)算過程簡單、運(yùn)算速度快、分類精度高。應(yīng)用實(shí)例表明,該方法能有效識別滾動(dòng)軸承故障。(4)針對不同故障類型的滾動(dòng)軸承振動(dòng)信號具有不同路圖結(jié)構(gòu)的特點(diǎn),提出了以拉普拉斯能量(Laplacian energy,LE)為故障特征和以馬氏距離(Mahalanobis distance,MD)判別函數(shù)為分類器的滾動(dòng)軸承故障診斷方法。試驗(yàn)分析結(jié)果表明,該方法具有所需采樣點(diǎn)少和訓(xùn)練樣本少的特點(diǎn),能有效地提取滾動(dòng)軸承故障特征,實(shí)現(xiàn)滾動(dòng)軸承的故障診斷。(5)針對權(quán)值定義為1的GFT圖譜特點(diǎn),提出了基于GFT特征提取和K-均值聚類的滾動(dòng)軸承故障診斷方法。利用該方法對滾動(dòng)軸承故障信號進(jìn)行了分析,結(jié)果表明:基于GFT圖譜域的特征提取方法能夠有效地捕捉圖信號的頻率變化特征,進(jìn)而能有效識別滾動(dòng)軸承的故障類別,且效果明顯優(yōu)于基于頻域的特征提取方法。(6)針對權(quán)值定義為歐氏距離的GFT圖譜特點(diǎn),分別對齒輪故障仿真信號和滾動(dòng)軸承故障仿真信號進(jìn)行了分析,結(jié)果表明:齒輪故障仿真信號的GFT圖譜主要分布在低階次區(qū)域,軸承故障仿真信號的GFT圖譜主要分布在高階次區(qū)域。因此,分別利用低階次區(qū)域和高階次區(qū)域的譜線重構(gòu)故障信號中的齒輪故障分量和軸承故障分量,提出了基于GFT分量提取和Hilbert包絡(luò)解調(diào)的故障診斷方法,并分別應(yīng)用于滾動(dòng)軸承故障診斷和齒輪箱復(fù)合故障診斷。算法仿真和應(yīng)用實(shí)例表明,利用該方法對故障信號進(jìn)行分析,能有效去除噪聲分量的干擾,突出包絡(luò)譜中的故障特征。本文對圖譜理論在齒輪箱故障診斷中的應(yīng)用進(jìn)行了深入系統(tǒng)的研究,將圖譜理論分別應(yīng)用于齒輪箱故障的特征提取、特征選擇、模式識別與故障分量提取,提出了完整、系統(tǒng)的基于圖譜理論的齒輪箱故障診斷方法。本文研究思路和方法能有效應(yīng)用于齒輪箱的故障診斷,在旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域具有良好的應(yīng)用前景。
[Abstract]:In this paper , the characteristic vector of Laplace matrix is analyzed by means of characteristic value and feature vector of graph matrix , and the characteristic vector of Laplacian matrix is more obvious than that of Fourier transform ( FT ) . ( 2 ) The fault diagnosis method of rolling bearing based on LS and fuzzy C means clustering ( SLS ) is proposed in order to avoid the problem of fault sensitive feature in the initial feature set . The fault diagnosis method based on LS and fuzzy C means clustering ( FCM ) is proposed . The fault diagnosis method of rolling bearing based on GFT feature extraction and K - means clustering is presented in this paper .

【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TH132.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃晉英;畢世華;潘宏俠;楊喜旺;;獨(dú)立分量分析在齒輪箱故障診斷中的應(yīng)用[J];振動(dòng)、測試與診斷;2008年02期

2 一民;高速齒輪箱故障診斷技術(shù)及其診斷系統(tǒng)通過鑒定[J];振動(dòng)、測試與診斷;1991年04期

3 戴麗杰;;齒輪箱故障診斷方法[J];黑龍江科技信息;2002年08期

4 高國華 ,張永忠;齒輪箱故障診斷技術(shù)的新發(fā)展[J];機(jī)械傳動(dòng);2003年06期

5 高永生;唐力偉;王建華;金海薇;;基于系統(tǒng)特性的齒輪箱故障診斷[J];煤礦機(jī)械;2006年01期

6 魏秀業(yè);潘宏俠;;齒輪箱故障診斷技術(shù)現(xiàn)狀及展望[J];測試技術(shù)學(xué)報(bào);2006年04期

7 邢士勇;金海薇;鄭海起;唐力偉;;基于關(guān)聯(lián)距離熵的齒輪箱故障診斷[J];機(jī)械工程師;2007年07期

8 吳德會(huì);;一種基于支持向量機(jī)的齒輪箱故障診斷方法[J];振動(dòng)、測試與診斷;2008年04期

9 王華;包磊;宋昊明;郭穎;葉偉;;空分457齒輪箱故障診斷[J];機(jī)械研究與應(yīng)用;2008年03期

10 朱有劍;李建;;基于倒頻譜特征提取的齒輪箱故障診斷[J];科技廣場;2008年08期

相關(guān)會(huì)議論文 前6條

1 蔡安江;豆衛(wèi)濤;柴彥昌;孫少軍;;基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的齒輪箱故障診斷應(yīng)用研究[A];陜西省機(jī)械工程學(xué)會(huì)第九次代表大會(huì)會(huì)議論文集[C];2009年

2 高永生;唐力偉;甘霖;楊通強(qiáng);;基于系統(tǒng)特性的齒輪箱故障診斷[A];2005年中國機(jī)械工程學(xué)會(huì)年會(huì)論文集[C];2005年

3 李愛民;;基于灰色聚類決策的齒輪箱故障診斷[A];第19屆灰色系統(tǒng)全國會(huì)議論文集[C];2010年

4 金大瑋;李建橋;賈民平;;循環(huán)自相關(guān)函數(shù)在齒輪箱故障診斷中的應(yīng)用[A];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(nóng)業(yè)機(jī)械學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（上冊）[C];2008年

5 董海江;趙春華;萬詩慶;汪偉;;LWPEE與SVM在風(fēng)電齒輪箱故障診斷中的應(yīng)用[A];第十一屆全國摩擦學(xué)大會(huì)論文集[C];2013年

6 雷亞國;林京;何正嘉;;基于多傳感器信息融合的行星齒輪箱故障診斷[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前3條

1 歐璐;圖譜理論在齒輪箱故障診斷中的應(yīng)用研究[D];湖南大學(xué);2016年

2 許昕;基于濾波技術(shù)和粒子群優(yōu)化的齒輪箱故障診斷研究[D];中北大學(xué);2011年

3 焦新濤;小波分析及其在齒輪箱故障診斷中應(yīng)用研究[D];華南理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李猷鳳;齒輪箱故障診斷的小波包-ICA分析方法[D];南京理工大學(xué);2015年

2 李國明;基于神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷研究[D];河北工業(yè)大學(xué);2015年

3 盧昆鵬;基于DSP-SVM的風(fēng)電齒輪箱故障診斷系統(tǒng)[D];中北大學(xué);2016年

4 馬凌芝;基于DSP和TQWT稀疏分解的風(fēng)電齒輪箱故障診斷系統(tǒng)[D];中北大學(xué);2016年

5 郭松濤;基于約束獨(dú)立分量分析的齒輪箱故障診斷研究[D];河南理工大學(xué);2015年

6 牛志雷;基于形態(tài)分量分析的齒輪箱故障診斷研究[D];石家莊鐵道大學(xué);2016年

7 曹勁然;大型吊裝裝備齒輪箱故障診斷與預(yù)測方法研究[D];南京理工大學(xué);2016年

8 胡二猛;基于LabVIEW的齒輪箱故障診斷系統(tǒng)研究[D];南京信息工程大學(xué);2016年

9 陳晗霄;基于虛擬儀器的大型高速齒輪箱故障診斷系統(tǒng)研究[D];電子科技大學(xué);2010年

10 楊成;傳動(dòng)齒輪箱故障診斷系統(tǒng)研究[D];哈爾濱工程大學(xué);2013年

，

本文編號：1819310