本文關(guān)鍵詞：面向電機(jī)軸承的快速故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：工業(yè)現(xiàn)場(chǎng)對(duì)使用的電機(jī)軸承往往提出苛刻的要求,必須減少停機(jī)時(shí)間、盡可能長時(shí)間的運(yùn)轉(zhuǎn)。因此,對(duì)于電機(jī)的維護(hù)工作是十分重要的,尤其是一些重要的系統(tǒng)和設(shè)備部位。近些年來,軸承故障診斷得到了長足發(fā)展,領(lǐng)域內(nèi)出現(xiàn)了許多新的研究方法。信號(hào)分析法,如傅立葉變換和小波變換已經(jīng)被廣泛應(yīng)用,但是有些方法往往僅擅長于線性、平穩(wěn)的信號(hào)的分析。事實(shí)上,它們并不都能很好的適應(yīng)非線性、非平穩(wěn)的軸承振動(dòng)信號(hào)。本文開篇即簡述了研究對(duì)象和方法,并綜述了國內(nèi)外故障診斷領(lǐng)域的發(fā)展歷程以及研究現(xiàn)狀。本文的首要目標(biāo)就是為了要檢測(cè)并且區(qū)分不同類型的故障,得到一種針對(duì)電機(jī)軸承故障的集合型診斷方法。這一診斷系統(tǒng)還要可以同步記錄數(shù)據(jù),并且依據(jù)這一數(shù)據(jù)給出正確的診斷結(jié)果。經(jīng)驗(yàn)?zāi)B(tài)分解具備很強(qiáng)的非平穩(wěn)信號(hào)分解能力,可以將信號(hào)分解成一系列頻率自高到低的各成分;使用固定點(diǎn)迭代算法對(duì)于信號(hào)特征提取能力較強(qiáng),適用于非高斯的電機(jī)軸承的振動(dòng)信號(hào)。增量概率神經(jīng)網(wǎng)絡(luò)使用在線的增量法對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,對(duì)參數(shù)進(jìn)行訓(xùn)練,并具有較強(qiáng)的分類能力。綜合考量各方法的特點(diǎn),提出了基于EMD-FICA-IPNN的電機(jī)軸承集合型故障診斷方法,通過凱斯西儲(chǔ)大學(xué)的軸承數(shù)據(jù)進(jìn)行了故障診斷實(shí)驗(yàn)。結(jié)果表明改進(jìn)的方法對(duì)軸承信號(hào)有較好的精確性、適應(yīng)性、快速性。實(shí)驗(yàn)平臺(tái)的建設(shè)分軟件和硬件兩部分。硬件部分采用了多功能數(shù)據(jù)采集板卡PCI-1710HG和加速度傳感器LC0159等設(shè)備、器材。此外,基于Lab VIEW軟件平臺(tái)還制作了相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)采集以及故障診斷軟件。根據(jù)實(shí)驗(yàn)驗(yàn)證,集合型方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)要具備更好的適應(yīng)性、準(zhǔn)確性以及快速性。
【關(guān)鍵詞】：電機(jī)軸承 故障診斷 經(jīng)驗(yàn)?zāi)B(tài)分解 快速獨(dú)立分量分析 增量概率神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH165.3
【目錄】：

• 摘要6-7
• Abstract7-12
• 第1章 緒論12-23
• 1.1 研究背景及意義12-13
• 1.2 國內(nèi)外軸承故障診斷技術(shù)現(xiàn)狀13-21
• 1.2.1 經(jīng)典的故障檢測(cè)法14-15
• 1.2.2 應(yīng)用小波變換的故障診斷法15
• 1.2.3 使用人工智能技術(shù)的故障診斷法15-20
• 1.2.4 數(shù)值和實(shí)驗(yàn)技術(shù)20
• 1.2.5 軸承故障診斷技術(shù)20-21
• 1.3 本文章節(jié)安排21-23
• 第2章 電機(jī)軸承故障成因及其振動(dòng)分析23-27
• 2.1 引言23-24
• 2.2 軸承主要失效原因及振動(dòng)機(jī)理24
• 2.3 軸承基本特征頻率24-26
• 2.4 本章小結(jié)26-27
• 第3章 基于經(jīng)驗(yàn)?zāi)B(tài)分解頻譜分析的研究27-35
• 3.1 引言27
• 3.2 經(jīng)驗(yàn)?zāi)B(tài)分解算法27-29
• 3.2.1 瞬時(shí)頻率的概念27-28
• 3.2.2 經(jīng)驗(yàn)?zāi)B(tài)分解步驟28-29
• 3.3 仿真信號(hào)的實(shí)例研究29-34
• 3.4 本章小結(jié)34-35
• 第4章 基于盲信號(hào)技術(shù)的電機(jī)軸承振動(dòng)信號(hào)特征提取研究35-49
• 4.1 引言35-36
• 4.2 源變量的獨(dú)立統(tǒng)計(jì)36-37
• 4.3 變量的非高斯性37-39
• 4.4 獨(dú)立分量分析的定義39-41
• 4.4.1 執(zhí)行獨(dú)立分量分析的條件39
• 4.4.2 無噪聲ICA模型39-40
• 4.4.3 參數(shù)估計(jì)40-41
• 4.4.4 有噪聲ICA模型41
• 4.4.5 獨(dú)立分量分析41
• 4.5 獨(dú)立分量分析的預(yù)處理41-43
• 4.5.1 中心的確定41-42
• 4.5.2 白化42-43
• 4.6 快速獨(dú)立分量分析43-47
• 4.6.1 拉格朗日-乘數(shù)法43
• 4.6.2 牛頓-拉普森法43-44
• 4.6.3 負(fù)熵近似派生出的快速獨(dú)立分量分析44-47
• 4.7 快速獨(dú)立分量數(shù)據(jù)分析實(shí)驗(yàn)研究47-48
• 4.8 本章小結(jié)48-49
• 第5章 改進(jìn)的FICA-IPNN故障診斷方法研究49-63
• 5.1 引言49
• 5.2 神經(jīng)網(wǎng)絡(luò)分析法49-57
• 5.2.1 反向傳播網(wǎng)絡(luò)分析法51-52
• 5.2.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分析法52-55
• 5.2.3 概率神經(jīng)網(wǎng)絡(luò)分析法55-57
• 5.3 增量概率神經(jīng)網(wǎng)絡(luò)分析法57-59
• 5.3.1 增量概率神經(jīng)網(wǎng)絡(luò)原理57-58
• 5.3.2 增量概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟58-59
• 5.4 FICA-IPNN實(shí)例研究59-62
• 5.5 本章小結(jié)62-63
• 第6章 實(shí)驗(yàn)研究與實(shí)驗(yàn)平臺(tái)建設(shè)63-77
• 6.1 電機(jī)軸承故障集合型方法實(shí)驗(yàn)研究63-66
• 6.2 電機(jī)軸承故障診斷系統(tǒng)實(shí)驗(yàn)平臺(tái)建設(shè)66
• 6.3 實(shí)驗(yàn)平臺(tái)硬件框架66-72
• 6.3.1 電機(jī)運(yùn)行控制平臺(tái)搭建67-69
• 6.3.2 電機(jī)軸承振動(dòng)信號(hào)檢測(cè)系統(tǒng)69-72
• 6.4 實(shí)驗(yàn)平臺(tái)軟件框架72-76
• 6.4.1LabVIEW軟件平臺(tái)72
• 6.4.2 電機(jī)軸承振動(dòng)信號(hào)診斷系統(tǒng)72-76
• 6.5 本章小結(jié)76-77
• 結(jié)論77-79
• 參考文獻(xiàn)79-86
• 攻讀碩士學(xué)位期間發(fā)表的論文和取得的研究成果86-87
• 致謝87-88

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 向家偉;陳雪峰;何正嘉;;基于小波有限元和遺傳優(yōu)化算法的轉(zhuǎn)軸裂紋診斷[J];機(jī)械強(qiáng)度;2008年05期

2 薛寒;謝利理;葉留義;;基于模糊推理的電機(jī)故障診斷專家系統(tǒng)研究[J];計(jì)算機(jī)測(cè)量與控制;2010年01期

3 郭磊;陳進(jìn);朱義;肖文斌;;小波支持向量機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用[J];上海交通大學(xué)學(xué)報(bào);2009年04期

  本文關(guān)鍵詞：面向電機(jī)軸承的快速故障診斷方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：281653