機械設(shè)備伴隨著科技的進步,其精度與運行要求也越來越高,這必將產(chǎn)生海量的數(shù)據(jù),機械故障診斷由此步入了大數(shù)據(jù)的時代。面對著眾多的數(shù)據(jù),如何從數(shù)據(jù)中提取特征,以便更好地識別和診斷故障成為了一個亟待決解的問題。由于機器設(shè)備在運轉(zhuǎn)過程中,所產(chǎn)生的振動信號不僅僅包含線性的振動信息,而且也包含著非線性的振動信號,因此,針對非線性振動信號去除無關(guān)分量,更好地提取故障特征變得十分必要。本課題針對轉(zhuǎn)子振動信號的特征提取主要展開以下研究工作:(1)針對傳統(tǒng)歐式距離在高維觀測空間有時面臨失效的問題,提出一種的新的度量函數(shù)近鄰概率距離(Nearby Probability Distance,NPD),并用它代替局部保持投影算法(Locality Preserving Projection,LPP)中計算近鄰點的歐式距離,提出基于近鄰概率距離的局部保持投影算法(Nearby Probability Distance Locality Preserving Projection,NPDLPP)和基于近鄰概率距離的K近鄰分類器(Nearby Probability Distance K-Nearest Neighbor,NPDKNN)。在雙跨度轉(zhuǎn)子實驗臺上證明改進方法的有效性。(2)針對軸承故障類型難以辨識的問題,提出了經(jīng)驗小波變換(Empirical Wavelet Transform,EWT)和多尺度排列熵(Multi-scale Permutation Entropy,MPE)的特征提取模型。該方法首先采用經(jīng)驗小波變換對原始振動信號進行自適應分解,獲得一系列AM-FM分量,然后通過相關(guān)性分析去除無關(guān)變量并根據(jù)選擇的AM-FM分量計算它們的多尺度排列熵,最后將所建立的特征集輸入到GG聚類算法當中。通過滾動軸承數(shù)據(jù)進行實驗驗證方法的可靠性。(3)提出經(jīng)驗小波變換(Empirical Wavelet Transform,EWT)和AR模型的故障診斷模型。AR模型的自回歸參數(shù)反映了設(shè)備運行狀態(tài)的有效信息,對設(shè)備運行變化規(guī)律響應較為敏感,從而用AR模型的自回歸參數(shù)當作提取的向量表示設(shè)備運行的狀況。由于AR模型針對的是平穩(wěn)信號的處理和分析,因此在建立AR模型之前有必要對信號進行相應的預處理。因此提出基于經(jīng)驗小波變換的AR模型,并把結(jié)果輸入到模糊C均值聚類中,用滾動軸承的數(shù)據(jù)驗證其有效性。
【學位單位】：蘭州理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH113.1
【部分圖文】：

NPDLPP與NPDKNN相結(jié)合的故障分類方法流程圖

本章將提出將經(jīng)驗小波變換、多尺度排列熵、斷方法，并通過實驗數(shù)據(jù)進行驗證它的優(yōu)勢。簡介變換來新提出的一種自適應信號處理方法，它的核心思進行自適應分割，構(gòu)建一組適合待處理信號的小里葉頻譜的 AM-FM 成分，然后對提取的 AM-F終獲得有意義的瞬時頻率和瞬時幅值，進而得到 H支撐[0,π]分割成 N 個連續(xù)的部分 Λn=[ωn-1,ωn](ω0=中 ωn表示各部分之間的邊界，ωn值選擇為信號傅小值。如圖 4.1 所示，以每一個 ωn為中心，定義圖 4.1 中陰影部分）。

熵并作為特征向量，并利用主成分分析（P進行可視化降維，獲取維數(shù)低、敏感度后輸入到 GG 聚類算法中。具體步驟如下號進行經(jīng)驗小波變換，得到若干個 AM- AM-FM 分量進行相關(guān)性分析，相關(guān)系態(tài)與原信號的相關(guān)性約等于各分量的自模態(tài)分量進行相關(guān)性分析[60]，從中選擇分析樣本，以達到對無關(guān)模態(tài)剔除的目的模態(tài)分量的多尺度排列熵值，取前 9 個分分析對特征向量進行降維。的低維特征向量作為 GG 聚類算法的輸。圖 4.2 所示：

【參考文獻】

相關(guān)期刊論文 前10條

1 祝文穎;馮志鵬;;基于改進經(jīng)驗小波變換的行星齒輪箱故障診斷[J];儀器儀表學報;2016年10期

2 鄭近德;潘海洋;潘紫微;羅潔思;;自適應無參經(jīng)驗小波變換及其在轉(zhuǎn)子故障診斷中的應用[J];中國機械工程;2016年16期

3 許凡;方彥軍;張榮;;基于EEMD模糊熵的PCA-GG滾動軸承聚類故障診斷[J];計算機集成制造系統(tǒng);2016年11期

4 李沁雪;廖曉文;張清華;崔得龍;;基于EWT和多尺度熵的軸承特征提取及分類[J];軸承;2016年01期

5 趙榮珍;王雪冬;鄧林峰;;基于PCA-KLFDA的小樣本故障數(shù)據(jù)集降維方法[J];華中科技大學學報(自然科學版);2015年12期

6 向玲;李媛媛;;經(jīng)驗小波變換在旋轉(zhuǎn)機械故障診斷中的應用[J];動力工程學報;2015年12期

7 馮博;李輝;鄭海起;;基于經(jīng)驗小波變換的軸承故障診斷研究[J];軸承;2015年12期

8 雷亞國;賈峰;周昕;林京;;基于深度學習理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機械工程學報;2015年21期

9 張淑清;包紅燕;李盼;李新新;姜萬錄;;基于RQA與GG聚類的滾動軸承故障識別[J];中國機械工程;2015年10期

10 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗小波變換的機械故障診斷方法研究[J];儀器儀表學報;2014年11期

相關(guān)博士學位論文 前2條

1 馬婧華;基于流形學習的旋轉(zhuǎn)機械早期故障融合診斷方法研究[D];重慶大學;2015年

2 王微;融合全局和局部信息的度量學習方法研究[D];中國科學技術(shù)大學;2014年

本文編號：2812172