發(fā)布時(shí)間：2018-06-04 03:12

  本文選題：轉(zhuǎn)子系統(tǒng) + 流形子帶�。� 參考：《振動(dòng)與沖擊》2017年16期

【摘要】：針對(duì)復(fù)合故障特征易被噪聲信號(hào)淹沒(méi),傳統(tǒng)時(shí)頻分析和流形學(xué)習(xí)方法不能完整有效的挖掘故障潛在信息和進(jìn)一步實(shí)現(xiàn)故障特征提取。在流形學(xué)習(xí)的基礎(chǔ)上提出了一種流形子帶思想并將其應(yīng)用到轉(zhuǎn)子復(fù)合故障特征提取研究中,進(jìn)而得出了一種基于流形子帶特征映射的轉(zhuǎn)子復(fù)合故障特征提取方法。對(duì)故障原始信號(hào)序列進(jìn)行相空間重構(gòu),結(jié)合小波包對(duì)噪聲的強(qiáng)烈抑制性和對(duì)信號(hào)分辨率高的特點(diǎn),將重構(gòu)信號(hào)分解成不同頻帶即子帶。將同故障多種工況下的同一頻帶融合成頻帶矩陣并估計(jì)其本征維數(shù),并通過(guò)拉普拉斯特征映射算法以本征維數(shù)為依據(jù)將子帶降維獲取低維特征向量并提取信息熵,進(jìn)一步實(shí)現(xiàn)故障特征提取。實(shí)驗(yàn)表明,相對(duì)于經(jīng)典的局部線(xiàn)性嵌入和拉普拉斯特征映射等算法,流形子帶特征映射算法不僅對(duì)單故障而且對(duì)復(fù)合故障特征進(jìn)行了更完整有效的挖掘和提取。
[Abstract]:Because complex fault features are easily submerged by noise signals, traditional time-frequency analysis and manifold learning methods can not fully and effectively mine fault potential information and further implement fault feature extraction. On the basis of manifold learning, an idea of manifold subband is proposed and applied to the research of rotor complex fault feature extraction, and a rotor composite fault feature extraction method based on manifold subband feature mapping is proposed. Based on the phase space reconstruction of the original fault signal sequence, the reconstructed signal is decomposed into sub-bands in different frequency bands, which combines the strong suppression of wavelet packet to noise and the high resolution of signal. The same frequency band under the same fault condition is fused into a frequency band matrix and its intrinsic dimension is estimated. Based on the intrinsic dimension, the subband reduction dimension is obtained by the Laplace feature mapping algorithm, and the information entropy is extracted. Furthermore, fault feature extraction is realized. Experiments show that compared with the classical local linear embedding and Laplace feature mapping algorithms, the Manifold subband feature mapping algorithm not only can mine and extract the single fault but also the composite fault feature more completely and effectively.
【作者單位】： 湖南科技大學(xué)機(jī)械設(shè)備健康維護(hù)湖南省重點(diǎn)實(shí)驗(yàn)室;中交第二航務(wù)工程局有限公司深圳分公司;中芯國(guó)際集成電路制造(深圳)有限公司;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(51575178;11572125)
【分類(lèi)號(hào)】：TH17;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前2條

1 盧娜;肖志懷;張廣濤;孫召輝;;基于自適應(yīng)多小波與綜合距離評(píng)估指數(shù)的旋轉(zhuǎn)機(jī)械故障特征提取[J];振動(dòng)與沖擊;2014年12期

2 胡建忠;黃夢(mèng);尹曉利;劉振興;范成洲;;基于形態(tài)小波變換與EMD的齒輪多重故障特征提取方法[J];裝甲兵工程學(xué)院學(xué)報(bào);2014年02期

相關(guān)博士學(xué)位論文 前2條

1 王玉靜;滾動(dòng)軸承振動(dòng)信號(hào)特征提取與狀態(tài)評(píng)估方法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 余發(fā)軍;機(jī)械故障稀疏特征提取及診斷方法研究[D];武漢科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前7條

1 代士超;滾動(dòng)軸承外圈故障機(jī)理建模及雙沖擊特征提取方法的研究[D];昆明理工大學(xué);2015年

2 孫美巖;基于振動(dòng)信號(hào)的滾動(dòng)軸承故障特征提取研究[D];東北石油大學(xué);2015年

3 康樂(lè);基于EEMD-SVD的FCM聚類(lèi)的軸承故障診斷[D];燕山大學(xué);2016年

4 李茜茜;非穩(wěn)態(tài)工況下滾動(dòng)軸承故障特征提取與診斷[D];沈陽(yáng)航空航天大學(xué);2016年

5 陳剛;特征優(yōu)化方法研究及其在軸承故障診斷中的應(yīng)用[D];上海交通大學(xué);2015年

6 裴愛(ài)嶺;滾動(dòng)軸承故障特征提取方法研究[D];沈陽(yáng)航空航天大學(xué);2015年

7 尹芳莉;強(qiáng)沖擊下變速箱滾動(dòng)軸承故障特征提取及狀態(tài)評(píng)估研究[D];中南大學(xué);2014年

，

本文編號(hào)：1975597