【摘要】：基于數(shù)據(jù)驅(qū)動(dòng)的旋轉(zhuǎn)機(jī)械智能故障診斷方法不需要大量的先驗(yàn)知識(shí)和專家經(jīng)驗(yàn),相對(duì)于傳統(tǒng)的設(shè)備故障診斷方法具有很大優(yōu)勢(shì),也是未來(lái)設(shè)備故障診斷研究領(lǐng)域的主要發(fā)展方向。針對(duì)旋轉(zhuǎn)機(jī)械智能故障診斷方法中振動(dòng)信號(hào)降噪方法損害信號(hào)完整性、故障特征敏感性差、模式分類器參數(shù)尋優(yōu)算法收斂速度慢等問(wèn)題,進(jìn)行深入研究并提出相應(yīng)的改進(jìn),進(jìn)而提升旋轉(zhuǎn)機(jī)械智能故障診斷方法的診斷性能和精度。具體研究?jī)?nèi)容如下:首先,研究了旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)的降噪方法。絕大多數(shù)旋轉(zhuǎn)機(jī)械處于復(fù)雜的工作環(huán)境下,要對(duì)包含噪聲的信號(hào)進(jìn)行有效的降噪處理,同時(shí)還要避免信號(hào)有效信息受到損害。為此提出一種新的旋轉(zhuǎn)機(jī)械降噪方法,將CEEMD同小波閾值降噪方法結(jié)合在一起進(jìn)行故障振動(dòng)信號(hào)降噪,在保證信號(hào)完整性的同時(shí)很好地完成了信號(hào)的降噪處理。其次,研究了旋轉(zhuǎn)機(jī)械故障特征提取方法。從降噪后振動(dòng)信號(hào)中提取SPWVD時(shí)頻圖,從時(shí)頻分布圖中提取圖像紋理特征參量,組成故障特征集,準(zhǔn)確挖掘信號(hào)中的各個(gè)階段程度故障模式信息。通過(guò)實(shí)驗(yàn)驗(yàn)證比較幾種不同時(shí)頻分析方法提取故障特征的性能優(yōu)劣。再次,基于SVM機(jī)器學(xué)習(xí)方法建立旋轉(zhuǎn)機(jī)械智能故障模式分類器,采用改進(jìn)的自適應(yīng)粒子群算法對(duì)模式分類器參數(shù)進(jìn)行優(yōu)化,提高故障診斷過(guò)程的準(zhǔn)確性。以訓(xùn)練故障特征集訓(xùn)練SVM得到最優(yōu)模式分類器,再將測(cè)試故障特征集輸入到最優(yōu)模式分類器中,輸出智能模式識(shí)別結(jié)果,實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械智能故障診斷。最后,對(duì)該方法的實(shí)際應(yīng)用進(jìn)行模擬驗(yàn)證。用旋轉(zhuǎn)機(jī)械振動(dòng)數(shù)據(jù)作為輸入,分別進(jìn)行四組模擬應(yīng)用實(shí)驗(yàn),對(duì)旋轉(zhuǎn)機(jī)械所處的故障狀態(tài)以及某一故障狀態(tài)下的不同故障程度進(jìn)行識(shí)別,實(shí)驗(yàn)結(jié)果表明方法是正確和有效的。本文提供了一種旋轉(zhuǎn)機(jī)械智能故障診斷方法,改進(jìn)了振動(dòng)信號(hào)降噪處理、故障特征提取以及故障模式分類器參數(shù)尋優(yōu)方法,對(duì)旋轉(zhuǎn)機(jī)械智能故障診斷的后續(xù)研究具有重要意義。
【圖文】：

哈爾濱理工大學(xué)工程碩士學(xué)位論文極大的影響信號(hào)分析處理的最終效果。為了解決這一問(wèn)題經(jīng)驗(yàn)?zāi)B(tài)分解系列方法有兩種重要的發(fā)展，包EEMD 與 EEMD 兩種后續(xù)發(fā)展出來(lái)的分解方法，兩者都是通過(guò)對(duì)原始信行添加噪聲輔助的方式來(lái)解決模式混疊問(wèn)題，而 CEEMD 方法相對(duì)于 EEM法迭代次數(shù)大為減少運(yùn)算速度增快。EEMD 這種處理方法將添加了根據(jù)具況所選擇的噪聲的信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解相關(guān)方法后，用加總平均進(jìn)行處以極大的減弱模式混疊現(xiàn)象的干擾，但是新問(wèn)題隨之而來(lái)，由于噪聲的加代次數(shù)過(guò)大等問(wèn)題會(huì)引起運(yùn)算壓力的大幅增加。另一方面最終重構(gòu)的信號(hào)是完美的重構(gòu)信號(hào)。CEEMD 在 EEMD 方法原理上進(jìn)一步作出了改進(jìn)，同樣采用噪聲輔助法，但是輔助噪聲的形式改進(jìn)為正負(fù)對(duì)的具體輸入形式，極大地減輕了迭數(shù)和運(yùn)算壓力。采用公式(2-2)所示的滾動(dòng)軸承故障振動(dòng)仿真信號(hào)進(jìn)行幾種經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行信號(hào)分解，比較驗(yàn)證幾種方法的效果。f rs(t) = sin(2πf t)(1 + ksin(2πf t))(2-

哈爾濱理工大學(xué)工程碩士學(xué)位論文別進(jìn)行不同方式分解模擬信號(hào)，分解示意圖如圖 2-3、圖 2-4、圖 2-5 所示，分別在幾種分解示意圖中對(duì)發(fā)生模式混疊的部分進(jìn)行了標(biāo)注，可以很清楚的發(fā)現(xiàn)，CEEMD 分解方式模式混疊的現(xiàn)象最輕。
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH17

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王耀才;智能故障診斷技術(shù)的現(xiàn)狀與展望[J];徐州建筑職業(yè)技術(shù)學(xué)院學(xué)報(bào);2003年01期

2 王慶,巴德純,王曉冬;智能故障診斷的粗糙決策模型[J];東北大學(xué)學(xué)報(bào);2005年01期

3 潘兵;熊靜琪;;多傳感器信息融合在液壓系統(tǒng)智能故障診斷中的應(yīng)用[J];機(jī)床與液壓;2006年05期

4 曹守啟;韓彥嶺;;智能故障診斷決策模型與評(píng)價(jià)方法研究[J];機(jī)床與液壓;2008年08期

5 陸勝;劉錟;;基于知識(shí)的智能故障診斷方法和過(guò)程實(shí)現(xiàn)[J];機(jī)床與液壓;2009年01期

6 雷亞國(guó);何正嘉;;混合智能故障診斷與預(yù)示技術(shù)的應(yīng)用進(jìn)展[J];振動(dòng)與沖擊;2011年09期

7 趙廷弟,常文兵;基于可靠性方法的智能故障診斷模型[J];航空學(xué)報(bào);1995年S1期

8 張培先,董澤,劉吉臻;智能故障診斷技術(shù)的發(fā)展及應(yīng)用[J];山西電力;2001年03期

9 吳吉平,郝喜海,胡京明;包裝機(jī)械智能故障診斷技術(shù)[J];中國(guó)包裝工業(yè);2002年06期

10 姜萬(wàn)錄;程曉盛;陳東寧;;遠(yuǎn)程智能故障診斷技術(shù)的現(xiàn)狀與展望[J];機(jī)床與液壓;2006年03期

相關(guān)會(huì)議論文 前10條

1 李廣峰;張伏龍;;裝甲裝備智能故障診斷技術(shù)研究[A];2010中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2010年

2 馬哲一;趙靜一;李鵬飛;王慶新;;高速鐵路運(yùn)架提設(shè)備遠(yuǎn)程智能故障診斷技術(shù)研究[A];第五屆全國(guó)流體傳動(dòng)與控制學(xué)術(shù)會(huì)議暨2008年中國(guó)航空學(xué)會(huì)液壓與氣動(dòng)學(xué)術(shù)會(huì)議論文集[C];2008年

3 趙榮珍;李超;張力;;知識(shí)技術(shù)向旋轉(zhuǎn)機(jī)械智能故障診斷研究提出的一項(xiàng)新任務(wù)[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

4 徐冬芳;鄧飛其;;基于多傳感器數(shù)據(jù)融合的智能故障診斷系統(tǒng)[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

5 羅賀;付超;季星;;基于DS證據(jù)理論的智能故障診斷方法[A];中國(guó)儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

6 崔民;杜志江;路同浚;;機(jī)器人化遙控鏟掘機(jī)現(xiàn)場(chǎng)CAN總線智能故障診斷技術(shù)研究[A];2001系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2001年

7 呂蓬;柳亦兵;馬強(qiáng);魏于凡;;支持向量機(jī)在齒輪智能故障診斷中的應(yīng)用研究[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

8 曹波偉;薛青;牛金濤;龔長(zhǎng)虹;劉磊;;基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的裝備智能故障診斷的研究[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

9 張周鎖;侯照文;孫闖;何正嘉;;基于粒計(jì)算的混合智能故障診斷技術(shù)及應(yīng)用[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

10 夏飛;權(quán)亞蕾;彭道剛;;基于數(shù)據(jù)融合的電廠凝汽器智能故障診斷研究[A];智能化電站技術(shù)發(fā)展研討暨電站自動(dòng)化2013年會(huì)論文集[C];2013年

相關(guān)博士學(xué)位論文 前8條

1 劉曉穎;復(fù)雜過(guò)程的智能故障診斷技術(shù)及其在大型工業(yè)窯爐中的應(yīng)用研究[D];中南大學(xué);2003年

2 武和雷;集成智能故障診斷策略及其應(yīng)用研究[D];浙江大學(xué);2003年

3 馬笑瀟;智能故障診斷中的機(jī)器學(xué)習(xí)新理論及其應(yīng)用研究[D];重慶大學(xué);2002年

4 彭強(qiáng);復(fù)雜系統(tǒng)遠(yuǎn)程智能故障診斷技術(shù)研究[D];南京理工大學(xué);2004年

5 熊偉;基于Petri網(wǎng)的遠(yuǎn)程智能故障診斷方法研究[D];華北電力大學(xué);2014年

6 張錚;不完備不協(xié)調(diào)信息條件下的設(shè)備智能故障診斷[D];華中科技大學(xué);2007年

7 許瑞華;高功率激光裝置參數(shù)測(cè)量系統(tǒng)智能故障診斷技術(shù)研究[D];中國(guó)科學(xué)院研究生院（西安光學(xué)精密機(jī)械研究所）;2014年

8 秦大力;基于知識(shí)管理的設(shè)備故障智能診斷模型研究[D];湖南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 宋勝博;基于敏感部件檢測(cè)的APU智能故障診斷方法研究[D];中國(guó)民航大學(xué);2016年

2 王緯宇;基于CEEMD和紋理特征的旋轉(zhuǎn)機(jī)械智能故障診斷方法[D];哈爾濱理工大學(xué);2016年

3 鄖剛;基于異常數(shù)據(jù)的智能故障診斷探究[D];廈門大學(xué);2007年

4 花偉;鍋爐混合智能故障診斷技術(shù)的研究[D];南京工業(yè)大學(xué);2006年

5 高洪波;智能故障診斷中綜合信號(hào)處理的研究[D];西北工業(yè)大學(xué);2004年

6 夏博;選煤廠設(shè)備智能故障診斷方法的研究與應(yīng)用[D];華中科技大學(xué);2012年

7 沈維兵;遠(yuǎn)程智能故障診斷技術(shù)與系統(tǒng)研究[D];南京理工大學(xué);2003年

8 李中偉;智能故障診斷技術(shù)在遙測(cè)裝備中的應(yīng)用研究[D];哈爾濱工程大學(xué);2013年

9 陳勵(lì)華;智能故障診斷技術(shù)的應(yīng)用與研究[D];西北工業(yè)大學(xué);2005年

10 劉一;智能故障診斷方法研究及應(yīng)用[D];昆明理工大學(xué);2003年

，

本文編號(hào)：2638381