本文關(guān)鍵詞：機械密封端面接觸狀態(tài)監(jiān)測技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在工業(yè)化進程不斷向前的今天,機械密封作為流體機械的關(guān)鍵技術(shù)也迅速發(fā)展起來。維持機械密封的端面一定的膜厚狀態(tài)是保證機械密封正常運行的關(guān)鍵。對于傳統(tǒng)的電渦流直接測量膜厚的方法需要破壞密封的內(nèi)部結(jié)構(gòu)不利于現(xiàn)場應(yīng)用,不能滿足現(xiàn)代工業(yè)的日益增長的需求。而聲發(fā)射檢測無需改變機械密封結(jié)構(gòu)這一特性使得近期聲發(fā)射成為研究熱點。本文以電渦流傳感器直接測量膜厚信號和聲發(fā)射傳感器間接測量膜厚信號的方法為基礎(chǔ),搭建了非接觸式機械密封的膜厚狀態(tài)監(jiān)測的實驗平臺。通過恒壓變轉(zhuǎn)速以及變壓恒轉(zhuǎn)速的采集相應(yīng)的電渦流數(shù)據(jù)和聲發(fā)射數(shù)據(jù)。由于聲發(fā)射信號無法直接反應(yīng)膜厚信息,我們以直接測量的結(jié)果指導(dǎo)間接測量的結(jié)果,將聲發(fā)射的信號按照膜厚程度分成三組,以此展開基于聲發(fā)射信號的膜厚狀態(tài)監(jiān)測的研究。對于聲發(fā)射信號先進行零均化處理,引入先進的信號分析技術(shù)總體經(jīng)驗?zāi)B(tài)分析(ensemble empirical mode decomposition,簡稱EEMD)進行時頻分析并對每個子頻分量提取時頻域以及相關(guān)特征。由于聲發(fā)射信號對環(huán)境噪聲比較敏感,信號中包含大量的隨機干擾,因此往往難以提取出較好的特征。利用核主分量分析(Kernel Principal Component Analysis,簡稱KPCA)對特征進行優(yōu)化降維,不僅降低了特征維數(shù)減少了以后的模型輸入和計算量,而且削弱了特征之間的非線性相關(guān)程度。本文中采用了支持向量機(SVM)和離散型隱馬爾科夫模型(DHMM)這兩個先進理論分別進行模型的訓(xùn)練和最終膜厚的識別,并通過實驗將兩種方法進行了對比分析。實驗表明,DHMM模型的平均識別率(81.7%)低于SVM的平均識別率(94.8%),但由于DHMM建模簡單,故其訓(xùn)練速度快于SVM。可以針對診斷系統(tǒng)側(cè)重點的不同,選擇兩種方法�？偟膩碚f兩者都實現(xiàn)了機械密封端面膜厚狀態(tài)的分類識別。這些研究對不斷完善機械密封端面膜厚狀態(tài)具有一定的實際意義,也為機械密封端面膜厚監(jiān)測的工業(yè)應(yīng)用提供了良好的技術(shù)支撐。
【關(guān)鍵詞】：機械密封接觸狀態(tài)監(jiān)測 聲發(fā)射 總體經(jīng)驗?zāi)B(tài)分解 核主成分分析 離散HMM 支持向量機
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH136
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-18
• 1.1 本課題研究的目的和意義11
• 1.2 機械密封端面接觸狀態(tài)監(jiān)測國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢11-12
• 1.3 機械密封的技術(shù)綜述12-16
• 1.3.1 表征機械密封端面接觸情況的常用參數(shù)13
• 1.3.2 表征機械密封端面接觸情況的相關(guān)測量方法13-15
• 1.3.3 機械密封端面接觸情況的相關(guān)控制方法15-16
• 1.3.4 總結(jié)16
• 1.4 本文主要研究內(nèi)容16-18
• 第2章 機械密封監(jiān)測實驗系統(tǒng)和實驗數(shù)據(jù)分析18-25
• 2.1 聲發(fā)射技術(shù)18
• 2.2 機械密封聲發(fā)射信號波形參數(shù)及特點18-19
• 2.3 聲發(fā)射傳感器的安裝19-20
• 2.4 實驗裝置和系統(tǒng)20-21
• 2.5 實驗采集信號的觀察與討論21-24
• 2.6 本章小結(jié)24-25
• 第3章 特征參數(shù)提取和優(yōu)化降維25-39
• 3.1 聲發(fā)射信號的抽取25
• 3.2 數(shù)據(jù)零均化25-26
• 3.3 EEMD分析26-32
• 3.3.1 EMD方法分解的基本原理26-28
• 3.3.2 Hilbert譜28-29
• 3.3.3 EEMD29-32
• 3.4 時域分析特征提取32-33
• 3.5 頻域分析特征提取33-34
• 3.6 特征參數(shù)降維34-38
• 3.6.1 KPCA原理34-36
• 3.6.2 機械密封狀態(tài)監(jiān)測特征參數(shù)降維36-38
• 3.7 本章小結(jié)38-39
• 第4章 SVM基本理論、算法及其在故障診斷中的應(yīng)用39-49
• 4.1 SVM基本理論39-42
• 4.1.1 線性可分情況39-41
• 4.1.2 線性不可分的情況41-42
• 4.2 基于支持向量機的狀態(tài)分類識別算法42-43
• 4.3 支持向量機參數(shù)選擇43-46
• 4.4 支持向量機核函數(shù)類型選擇46-47
• 4.5 機械密封實驗數(shù)據(jù)測試47-48
• 4.6 本章小結(jié)48-49
• 第5章 DHMM基本理論及其在機械密封診斷中的應(yīng)用49-58
• 5.1 HMM基本理論49-52
• 5.1.1 HMM基本概念49-51
• 5.1.2 HMM分類51-52
• 5.2 HMM基本算法52-56
• 5.2.1 前向-后向算法52-54
• 5.2.2 Viterbi算法54-55
• 5.2.3 Baum-Welch算法55-56
• 5.3 HMM在模式分類中的作用56-57
• 5.4 本章小結(jié)57-58
• 第6章 基于DHMM的機械密封端面接觸狀態(tài)識別58-66
• 6.1 信號的分幀處理58
• 6.2 特征矢量的標(biāo)量量化58-59
• 6.3 多觀測樣本序列的DHMM訓(xùn)練59-60
• 6.4 DHMM應(yīng)用于機械密封膜厚識別60-61
• 6.5 診斷實驗61-64
• 6.5.1 DHMM訓(xùn)練61-62
• 6.5.2 DHMM診斷結(jié)果62-64
• 6.6 兩種膜厚識別方法對比分析64-65
• 6.7 本章小結(jié)65-66
• 結(jié)論66-67
• 致謝67-68
• 參考文獻68-71
• 攻讀碩士學(xué)位期間發(fā)表的論文及科研成果71

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 王和順,陳次昌,黃澤沛,王新霖;聲波檢測技術(shù)在機械密封端面接觸測量中的應(yīng)用[J];機械與電子;2004年10期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 曹翌佳;氣固反應(yīng)器中基于聲發(fā)射信號的故障檢測與診斷[D];浙江大學(xué);2010年

  本文關(guān)鍵詞：機械密封端面接觸狀態(tài)監(jiān)測技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：257367