【摘要】：故障診斷是保障機械設備安全運行的重要手段,隨著科技水平的提高,設備復雜度也越來越高。要進行有效、準確的故障診斷就需要提取出豐富的設備故障信息。而維數(shù)約簡又是特征提取中的關鍵一步,它能夠挖掘出故障的本質(zhì)信息,為后續(xù)的模式識別減輕壓力。在機械設備的工作過程中采集到的振動信息既有線性的也有非線性的。因此,如何有效地挖掘出能夠真實反映故障信息的數(shù)據(jù),消除振動信息中的無關分量,更好的進行故障診斷和識別就顯得舉足輕重。本文工作的重心圍繞轉(zhuǎn)子振動信號的特征提取展開。主要研究內(nèi)容如下:(1)針對旋轉(zhuǎn)機械故障辨識準確率偏低的問題,將集合經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)與能量矩、鄰域粗糙集(Neighborhood Rough Set,NRS)進行結(jié)合,提出一種轉(zhuǎn)子系統(tǒng)的故障數(shù)據(jù)集分類方法。該方法將采集到的振動信號用EEMD方法進行自適應分解,用能量矩量化分解后的若干本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)。以此能量矩作為描述故障狀態(tài)的條件屬性構(gòu)建決策表,然后使用鄰域粗糙集在決策表上執(zhí)行屬性約簡以剔除冗余屬性,最后將約簡后的敏感特征子集輸入所設計的決策樹(Decision Tree,DT)C4.5算法中進行模式識別。通過典型轉(zhuǎn)子實驗臺的故障特征集驗證了該方法的有效性。(2)針對轉(zhuǎn)子振動信號的非平穩(wěn)性以及微弱故障特征難以提取的問題,提出一種基于集合經(jīng)驗模態(tài)分解(EEMD)的奇異值熵和流形學習算法相結(jié)合的故障特征提取方法。首先,對原始振動信號進行EEMD分解,得到若干本征模態(tài)函數(shù)(IMF)分量,根據(jù)峭度-歐式距離評價指標選取故障信息豐富的敏感分量,組成初始特征向量,求其奇異值熵。利用改進的拉普拉斯特征映射算法-近鄰概率拉普拉斯映射算法(Nearby Probability Distance Laplacian Eigenmap,NPDLE)對奇異值熵組成的特征矩陣進行降維處理,提取出既能反應故障信息又能降低分類難度的低維特征子集。最后,將得到的低維特征子集輸入到KNN中進行模式識別,在雙跨度轉(zhuǎn)子實驗臺上驗證改進方法的有效性。結(jié)果表明,IMF奇異值熵和NPDLE相結(jié)合的方法可以有效地實現(xiàn)轉(zhuǎn)子故障特征提取,故障辨識的準確性也有相應的提高。(3)為穩(wěn)定提取轉(zhuǎn)子故障特征,提出了一種基于互補集經(jīng)驗模態(tài)分解,多尺度排列熵和GK模糊聚類相結(jié)合的故障診斷方法。首先,通過互補集合經(jīng)驗模態(tài)分解處理故障信號,依據(jù)相關系數(shù)原理,選取相關系數(shù)最大的模態(tài)分量作為分析對象;然后利用多尺度排列熵量化模態(tài)分量的故障特征作為特征向量;最后,將經(jīng)過PCA降維后的低維特征集輸入到GK模糊聚類算法中進行故障辨識。將所提方法應用于典型轉(zhuǎn)子實驗臺的故障特征集,通過分類系數(shù)與劃分熵對分類效果進行檢驗,并與經(jīng)驗模態(tài)分解多尺度排列熵結(jié)合GK模糊聚類的方法進行對比。結(jié)果表明,本文所提方法能夠有效提取故障特征。
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH17
【圖文】：

有上述定義可知，R( )反映了論域中的對象肯定包含于X的集合，而 ( )反映了論域中的對象肯定包含于X與可能包含于X的集合，以上概念之間的聯(lián)系如圖2.1所示[25]。7

動、動靜碰摩、質(zhì)量不平衡和軸系不對中}，以及正常狀態(tài)下的信號，作為實驗數(shù)據(jù)。圖3.2 雙跨度轉(zhuǎn)子系統(tǒng)試驗臺3.6.2 實驗結(jié)果分析實測得到的 4 種故障和正常狀態(tài)下原始振動信號的時域波形圖如圖 3.3 所示。對圖 3.3 信號進行特征提取分析（僅列出各狀態(tài)下的第一個通道的原始振動信號），對每種狀態(tài)的每一通道（共 12 通道）的振動信號進行 EEMD 處理，為選取含有故障信息的真實特征分量引入能量矩評價指標，我們以信號長度為 2048 點的不對中故障數(shù)據(jù)為例進行評價方法說明。實驗 EEMD 添加的高斯白噪聲的標準差設為15

【相似文獻】

相關期刊論文 前10條

1 陳輝;;淺議車牌識別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學學報(自然科學版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學學報(自然科學版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡流量特征提取工具[J];計算機與網(wǎng)絡;2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡的特征提取方法及其在語種識別中的應用[J];計算機科學;2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學院學報(自然科學版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(理論版);2006年03期

相關會議論文 前10條

1 王紀凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學習方法[A];第17屆中國系統(tǒng)仿真技術及其應用學術年會論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術會議專刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機語音通訊學術會議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號分解與稀疏恢復的空間群目標微動特征提取[A];第八屆中國航空學會青年科技論壇論文集[C];2018年

8 許強;楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

9 高學;金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

10 白真龍;霍強;;在聯(lián)機手寫中文識別中一種針對8方向特征提取的改進算法[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

相關重要報紙文章 前3條

1 宇航智控;預測與健康管理(PHM)技術[N];中國航空報;2018年

2 記者 賈玎玎;北京紡控主營業(yè)務收入增長11.39%[N];首都建設報;2015年

3 中國信息通信研究院泰爾終端實驗室 曾晨曦 段虎才;深度學習框架的前世今生[N];人民郵電;2018年

相關博士學位論文 前10條

1 宋洪超;基于微波的乳腺癌檢測算法研究[D];北京郵電大學;2018年

2 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學;2018年

3 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計算方法研究與應用[D];西南石油大學;2017年

4 李文娟;基于局部特征提取的人臉識別方法研究[D];天津大學;2017年

5 王振宇;面向人臉識別的特征提取技術應用研究[D];東南大學;2016年

6 馬麗紅;復雜背景下人臉的定位和特征提取[D];華南理工大學;1999年

7 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學;2006年

8 張紹武;基于支持向量機的蛋白質(zhì)分類研究[D];西北工業(yè)大學;2004年

9 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應用[D];南京師范大學;2006年

10 劉靖;基于視覺特征提取和核判決分析方法的人臉識別[D];四川大學;2006年

相關碩士學位論文 前10條

1 趙夕朦;基于人性化智能感知的生物特征提取和身份判斷[D];浙江大學;2019年

2 謝欣;基于特征提取和支持向量機的門級網(wǎng)表硬件木馬檢測技術研究[D];浙江大學;2019年

3 周簫;基于話題檢測的網(wǎng)絡安全威脅發(fā)現(xiàn)與跟蹤技術研究[D];北京郵電大學;2019年

4 張麗;比特流協(xié)議特征提取與識別方法研究[D];西安理工大學;2019年

5 方格格;基于時空軌跡表征的小簇人群提取模型研究[D];浙江大學;2019年

6 熊玲;基于KCF的獨居老人室內(nèi)跟蹤與行為檢測研究[D];重慶師范大學;2019年

7 張雪會;病態(tài)嗓音特征提取及識別研究[D];廣西師范大學;2019年

8 曾慶宇;基于深度學習的目標時序信息分析方法研究[D];哈爾濱工程大學;2019年

9 孫澤金;轉(zhuǎn)子故障信號的敏感特征提取方法研究[D];蘭州理工大學;2019年

10 白雪;圖像二值特征提取[D];北京郵電大學;2019年

本文編號：2727462