發(fā)布時(shí)間：2020-07-27 15:04

【摘要】：通風(fēng)機(jī)作為一種典型的旋轉(zhuǎn)機(jī)械設(shè)備,在礦井通風(fēng)、鍋爐通風(fēng)、冶金工業(yè)等方面發(fā)揮了重要的作用,對其展開運(yùn)行狀態(tài)監(jiān)測和故障診斷研究具有非常重要的意義。本文將通風(fēng)機(jī)作為研究對象,對通風(fēng)機(jī)不同位置的軸承在不同故障狀態(tài)時(shí)的信號進(jìn)行特征提取,并實(shí)現(xiàn)對通風(fēng)機(jī)軸承的故障預(yù)警與診斷。主要研究內(nèi)容為:在特征提取部分,首先,介紹了希爾伯特黃變換(HHT)算法,針對經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法中存在的端點(diǎn)效應(yīng)問題,采用支持向量回歸機(jī)(SVR)對信號兩端進(jìn)行延拓,并通過實(shí)驗(yàn)驗(yàn)證支持向量回歸機(jī)對解決EMD端點(diǎn)效應(yīng)問題的有效性;接著,針對EMD算法中存在的模態(tài)混疊問題,提出使用自適應(yīng)噪聲的完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)算法解決模態(tài)混疊問題,并通過對軸承故障信號的分解實(shí)驗(yàn)驗(yàn)證了該算法的優(yōu)越性;最后,采用CEEMDAN-能量、CEEMDAN-排列熵方法分別提取軸承故障信號的特征,并針對CEEMDAN-排列熵特征提取算法中類內(nèi)統(tǒng)一性缺乏的問題,提出一種基于CEEMDAN分解的加權(quán)排列熵特征提取模型,為故障預(yù)警和故障診斷部分奠定良好的基礎(chǔ)。在故障預(yù)警部分,引入陰性選擇算法,并將基于CEEMDAN-能量、CEEMDAN-排列熵、CEEMDAN-加權(quán)排列熵三種故障特征提取方法分別與固定半徑陰性選擇算法(NSA)、可變半徑陰性選擇算法(V-detector NSA)相結(jié)合,實(shí)現(xiàn)對通風(fēng)機(jī)軸承的故障預(yù)警。在故障診斷部分,采用極限學(xué)習(xí)機(jī)(ELM)實(shí)現(xiàn)對通風(fēng)機(jī)軸承故障的診斷。首先,針對ELM算法中輸入權(quán)值和隱含層偏置隨機(jī)設(shè)定導(dǎo)致分類性能不穩(wěn)定的問題,采用差分優(yōu)化算法(DE)對ELM算法的這兩個(gè)參數(shù)進(jìn)行尋優(yōu);接著,將CEEMDAN-加權(quán)排列熵特征提取方法與DE-ELM相結(jié)合構(gòu)建故障分類模型,并應(yīng)用到對通風(fēng)機(jī)軸承的故障診斷中;最后,通過分別與CEEMDAN-能量、CEEMDAN-排列熵特征提取算法進(jìn)行對比實(shí)驗(yàn),驗(yàn)證了所提模型在對通風(fēng)機(jī)軸承故障診斷時(shí)的準(zhǔn)確性和時(shí)效性。
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18;TH43
【圖文】：

N 算法應(yīng)用于軸承故障診斷中，并依據(jù) CEEMDAN 能的原理，使用三種提取方法對每種故障狀態(tài)的 IMF號對比分析(ComparativeAnalysis of Simu的故障數(shù)據(jù)來自美國凱瑟西儲大學(xué)(Case Western Re障數(shù)據(jù)，作為在故障診斷研究領(lǐng)域比較權(quán)威和研究價(jià)是由該大學(xué)電氣工程實(shí)驗(yàn)室的軸承模擬實(shí)驗(yàn)平臺采集 所示，該實(shí)驗(yàn)平臺主要由一個(gè)功率為 2hp(1.49kW)的功率計(jì)等部件組成，被測試的軸承包括驅(qū)動端和葉號分別為 SKF6205 和 SKF6203，驅(qū)動端軸承為動力力輸出，葉輪端軸承安裝葉輪。軸承故障均是由電火故障，同時(shí)包含不同直徑的損傷點(diǎn)。故障信號是由加的振動加速度信號，振動信號采樣頻率為 12kHz，其Hz 的采樣頻率采集。

代表自我數(shù)據(jù)和檢測器的位置，再結(jié)合自我數(shù)據(jù)和檢測器的半徑，自我數(shù)據(jù)和檢測器就可以在坐標(biāo)系中表示為一個(gè)平面圓。取自我集合半徑 rs 0.04，檢測器半徑為 rab 0.04，分別畫出檢測器數(shù)量m 100, 200,300, 400時(shí)的檢測器分布狀態(tài)，如圖 4-4 所示，其中，整個(gè)坐標(biāo)系區(qū)域代表系統(tǒng)空間，黑色平面圓表示自我樣本，灰色平面圓表示生成的檢測器，余下區(qū)域即為未被覆蓋的“孔洞”。(1) m=100 (2) m=200(1) m=100 (2) m=200

60(2)覆蓋率為 99%時(shí)的檢測器分布情況(2) Distribution of detectors when the coverage rate is 99%圖 4-8 不同覆蓋率下檢測器的分布情況Figure 4-8 Distribution of detectors under different coverage rates-8 可以看出，不同覆蓋率時(shí)，檢測器的個(gè)數(shù)具有明顯差異，設(shè)定自我半徑為 rs 0.03，固定半徑陰性選擇算法的檢

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柴凱;張梅軍;黃杰;許偉;;一種抑制EEMD端點(diǎn)效應(yīng)的改進(jìn)SVR方法[J];機(jī)械強(qiáng)度;2015年06期

2 余發(fā)軍;周鳳星;;基于可調(diào)Q因子小波變換和譜峭度的軸承早期故障診斷方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年11期

3 俞嘯;丁恩杰;陳春旭;李力;;基于HHT和有監(jiān)督稀疏編碼的滾動軸承故障狀態(tài)識別方法[J];煤炭學(xué)報(bào);2015年11期

4 岳曉峰;邵海賀;;基于相似極值延拓的EMD端點(diǎn)效應(yīng)改進(jìn)方法[J];組合機(jī)床與自動化加工技術(shù);2015年09期

5 焦衛(wèi)東;林樹森;;整體改進(jìn)的基于支持向量機(jī)的故障診斷方法[J];儀器儀表學(xué)報(bào);2015年08期

6 李元;吳杰;王國柱;;k近鄰補(bǔ)值方法在工業(yè)過程故障診斷中的應(yīng)用[J];上海交通大學(xué)學(xué)報(bào);2015年06期

7 劉長良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J];中國電機(jī)工程學(xué)報(bào);2015年13期

8 占健;吳斌;王加祥;余建波;;基于OS-ELM的風(fēng)機(jī)關(guān)鍵機(jī)械部件故障診斷方法[J];機(jī)械制造;2015年04期

9 張?zhí)烊?于天彪;趙海峰;王宛山;;數(shù)據(jù)挖掘技術(shù)在全斷面掘進(jìn)機(jī)故障診斷中的應(yīng)用[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

10 徐力彬;宋余慶;劉毅;;基于鏡像延拓和窗函數(shù)的端點(diǎn)效應(yīng)抑制方法[J];計(jì)算機(jī)工程;2015年04期

本文編號：2772001