本文關(guān)鍵詞：基于DEMD時頻分析的旋轉(zhuǎn)機械故障特征提取方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：旋轉(zhuǎn)機械是電力、石油、冶金、機械、航空及軍事工業(yè)部門的關(guān)鍵設備,能否保證關(guān)鍵設備正常運行,直接關(guān)系到企業(yè)的發(fā)展,因此機械故障診斷技術(shù)得到了廣泛的關(guān)注。機械故障診斷的關(guān)鍵在于機械振動信號的故障特征提取和故障類型識別,信號的處理和分析是特征提取最常用的方法。近年來,經(jīng)驗模式分解(Empirical Mode Decomposition,EMD)方法作為分析非平穩(wěn)信號的重大突破,應用到旋轉(zhuǎn)機械振動信號分析與處理中,然而EMD算法還存在不足,需要進一步完善�；谖⒎值慕�(jīng)驗模式分解(Differential-based Empirical Mode Decomposition,DEMD)的時頻分析方法在EMD算法基礎上做了改進,通過對原始信號進行微分改變了信號中的不同頻率成分比重,有利于將信號中頻率相近的成分或微弱的高頻成分提取出來,從而有效改善EMD方法的模式混疊問題。本文重點研究基于DEMD的時頻分析方法及其在機械故障特征提取方面的應用。首先,研究瞬時頻率、單分量和多分量信號、調(diào)頻調(diào)幅信號的基本概念;分析DEMD的基本原理及算法,并與經(jīng)驗模態(tài)分解(EMD)進行對比,仿真驗證該方法能夠?qū)⑿盘栔蓄l率相近或相對微弱的高頻成分提取出來,有效改善EMD方法在分解過程中出現(xiàn)的模式混疊現(xiàn)象。其次,針對DEMD存在的端點效應問題,研究了基于支持向量回歸機延拓和窗函數(shù)結(jié)合抑制DEMD端點效應的方法,利用構(gòu)造好的支持向量回歸模型對數(shù)據(jù)進行延拓,將延拓后的信號與窗函數(shù)進行內(nèi)積運算,將端點效應抑制在原信號端點以外,仿真與試驗表明該方法能夠有效抑制DEMD的端點效應,提高DEMD的分解精度。針對滾動軸承振動信號的非平穩(wěn)特性和其周期性沖擊特點,將DEMD時頻分析方法與對稱差分能量算子解調(diào)法結(jié)合。仿真和實驗結(jié)果驗證該方法能夠更加準確地提取出振動信號的特征頻率,實現(xiàn)軸承故障有效診斷。最后,研究模糊熵算法,提出基于DEMD模糊熵和支持向量機的旋轉(zhuǎn)機械故障診斷方法,先對故障信號進行DEMD處理,計算分解后的本征模函數(shù)(Intrinsic Mode Function,IMF)分量的模糊熵,將其模糊熵值作為故障特征向量;然后將得到的故障特征向量輸入到支持向量機進行模式識別,實現(xiàn)旋轉(zhuǎn)機械的識別和分類。與基于EMD模糊熵與SVM相結(jié)合的方法相比較,該方法能夠?qū)C械故障信號更準確地進行識別分類。
【關(guān)鍵詞】：DEMD 故障特征提取 旋轉(zhuǎn)機械 端點效應 SVM 模糊熵
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH165.3
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-19
• 1.1 旋轉(zhuǎn)機械故障診斷的研究意義及其內(nèi)容11-13
• 1.1.1 旋轉(zhuǎn)機械故障診斷的研究背景與意義11-12
• 1.1.2 機械故障診斷技術(shù)內(nèi)容的研究12-13
• 1.2 機械故障診斷技術(shù)的發(fā)展及其研究的現(xiàn)狀13-14
• 1.3 時頻分析的發(fā)展概況及應用14-17
• 1.3.1 短時傅里葉變換的發(fā)展及其應用14-15
• 1.3.2 Wigner-Ville分布的發(fā)展及應用15-16
• 1.3.3 小波變換的發(fā)展及應用16
• 1.3.4 EMD發(fā)展及應用16-17
• 1.4 項目來源及本文研究內(nèi)容17-19
• 第2章DEMD時頻分析方法研究19-33
• 2.1 前言19
• 2.2 EMD方法基本概念及原理19-25
• 2.2.1 瞬時頻率19-21
• 2.2.2 本征模函數(shù)21
• 2.2.3 EMD基本原理和算法步驟21-25
• 2.3 DEMD原理與算法研究25-32
• 2.3.1 DEMD基本原理25-27
• 2.3.2 DEMD算法研究27-28
• 2.3.3 DEMD方法與EMD方法對比28-30
• 2.3.4 DEMD算法存在的問題30-32
• 2.5 本章小結(jié)32-33
• 第3章 基于支持向量回歸機與窗函數(shù)的抑制DEMD端點效應方法研究33-47
• 3.1 前言33-34
• 3.2 支持向量機理論34-39
• 3.2.1 支持向量分類機34-36
• 3.2.2 核函數(shù)36-37
• 3.2.3 支持向量回歸機37-39
• 3.3 窗函數(shù)39-40
• 3.4 基于支持向量回歸機與窗函數(shù)的結(jié)合的DEMD方法40-46
• 3.4.1 仿真信號分析41-43
• 3.4.2 試驗研究43-46
• 3.5 本章小結(jié)46-47
• 第4章 基于DEMD與對稱差分能量算子解調(diào)的滾動軸承特征提取研究47-57
• 4.1 前言47
• 4.2 能量算子解調(diào)方法47-48
• 4.3 對稱差分能量算子解調(diào)法48-49
• 4.4 基于DEMD和對稱差分能量算子解調(diào)的滾動軸承特征提取49-56
• 4.4.1 仿真信號分析49-53
• 4.4.2 故障特征提取53-56
• 4.5 本章小結(jié)56-57
• 第5章 基于DEMD和模糊熵的機械故障診斷方法研究57-67
• 5.1 前言57
• 5.2 模糊集合理論57-58
• 5.3 模糊熵原理58-60
• 5.3.1 熵的含義58-59
• 5.3.2 模糊熵的算法59-60
• 5.3.3 模糊熵的參數(shù)選擇60
• 5.4 基于DEMD和模糊熵的機械故障診斷60-65
• 5.4.1 DEMD模糊熵的特征提取方法60-63
• 5.4.2 軸承故障診斷63-65
• 5.5 本章小結(jié)65-67
• 結(jié)論67-69
• 參考文獻69-75
• 攻讀碩士學位期間承擔的科研任務與主要成果75-76
• 致謝76-77
• 作者簡介77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 盧瑜;李晨來;李鄉(xiāng)儒;;基于Haar小波特征的恒星光譜物理參量自動估計[J];光譜學與光譜分析;2012年09期

2 羅一新;機械故障診斷技術(shù)趨向分析[J];機床與液壓;2002年02期

3 雷亞國;;基于改進Hilbert-Huang變換的機械故障診斷[J];機械工程學報;2011年05期

4 張學工;關(guān)于統(tǒng)計學習理論與支持向量機[J];自動化學報;2000年01期

5 王冰;李洪儒;許葆華;;基于LMD和平滑Teager能量算子解調(diào)的電機滾動軸承故障特征提取[J];機械傳動;2012年09期

6 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎研究“何去何從”[J];機械工程學報;2013年01期

7 喬林峰;王俊;;一種改進小波閾值的圖像去噪算法[J];艦船電子工程;2013年01期

8 劉增華;頡小東;吳斌;焦敬品;宋國榮;何存富;;基于連續(xù)小波變換的厚壁管道周向?qū)Р⊕呙璩上裨囼炑芯縖J];機械工程學報;2013年02期

9 任達千;楊世錫;吳昭同;嚴拱標;孟慶波;;信號瞬時頻率直接計算法與Hilbert變換及Teager能量法比較[J];機械工程學報;2013年09期

10 孟宗;顧海燕;李姍姍;;基于神經(jīng)網(wǎng)絡集成的B樣條經(jīng)驗模態(tài)分解端點效應抑制方法[J];機械工程學報;2013年09期

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 黃偉國;基于振動信號特征提取與表達的旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷研究[D];中國科學技術(shù)大學;2010年

2 鞠萍華;旋轉(zhuǎn)機械早期故障特征提取的時頻分析方法研究[D];重慶大學;2010年

3 王勝春;自適應時頻分析技術(shù)及其在故障診斷中的應用研究[D];山東大學;2007年

4 何清波;多元統(tǒng)計分析在設備狀態(tài)監(jiān)測診斷中的應用研究[D];中國科學技術(shù)大學;2007年

  本文關(guān)鍵詞：基于DEMD時頻分析的旋轉(zhuǎn)機械故障特征提取方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：274120