旋轉(zhuǎn)裝備是制造業(yè)中應用最廣泛的制造裝備,其可靠性對制造行業(yè)的生產(chǎn)和發(fā)展具有深遠的影響。隨著裝備結(jié)構(gòu)的復雜化和精密化程度不斷提高,其故障帶來的直接或間接損失愈發(fā)難以承受,因此故障診斷技術(shù)對于提高裝備的可靠性和維護效率具有重要的現(xiàn)實意義。鑒于此,本文對旋轉(zhuǎn)裝備故障診斷中的時頻特征提取技術(shù)、運行狀態(tài)異常檢測技術(shù)、裝備故障診斷技術(shù)以及跨工況下的自適應故障診斷技術(shù)進行研究,采用滾動軸承及銑刀振動數(shù)據(jù)驗證所提方法的有效性。本文提出基于多分辨率和時頻域分析的信號特征提取方法,采用孤立森林算法對狀態(tài)信號進行異常檢測。該方法利用離散小波變換將信號分解為不同頻段的信號分量,抽取主導分量進行信號重構(gòu)。采用連續(xù)小波變換對重構(gòu)信號進行時頻變換,獲得信號時頻域內(nèi)的特征矩陣。通過孤立森林算法對時頻特征進行異常檢測并獲得異常信號樣本,完成裝備的狀態(tài)異常檢測。采用滾動軸承振動信號對本文方法的有效性進行驗證。對基于卷積神經(jīng)網(wǎng)絡的裝備振動信號故障診斷技術(shù)進行研究用于解決復雜裝備故障源定位困難問題。本文選擇典型故障振動信號時頻特征矩陣作為卷積神經(jīng)網(wǎng)絡模型的輸入,分析對比模型結(jié)構(gòu)參數(shù)對診斷性能的影響,建立合理故障診斷模型。在模型訓練中,利用數(shù)據(jù)增強和正則化方法對診斷模型進行優(yōu)化,提高其魯棒性和泛化性。采用滾動軸承和銑刀振動信號對本文所提方法進行有效性驗證,并進一步與傳統(tǒng)方法進行對比,證明所提方法的優(yōu)越性。本文研究基于遷移學習的變工況故障診斷技術(shù)用以解決小樣本故障診斷問題。將卷積神經(jīng)網(wǎng)絡模型作為基礎診斷模型,利用已知工況下的大量樣本作為遷移學習的源數(shù)據(jù)集完成模型預訓練,然后將模型遷移到新工況小樣本故障診斷任務中。采用新工況小樣本數(shù)據(jù)集對遷移診斷模型進行微小調(diào)整,實現(xiàn)跨工況診斷模型的遷移。最后,利用多種載荷狀態(tài)下的滾動軸承故障信號驗證本文遷移模型診斷效果。本文的研究對豐富復雜旋轉(zhuǎn)裝備的故障診斷方法具有理論意義,對提高裝備故障診斷準確率、提高裝備可靠性和運維效率具有工程實用價值。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH17
【部分圖文】：

圖 2-1 振動信號頻譜圖辨率分解方法的對比分析率分解（MRA）是指將信號分解到不同的尺度上，然后的特性進行局部化分析。多分辨率分解方法有很多，其D）、變模態(tài)分解（VWD）和離散小波分解（ DWT）是方法。模態(tài)分解（ ）ang 提出的經(jīng)驗模態(tài)分解（ Empirical Mode Decomposition據(jù)驅(qū)動的非線性時變信號分析方法。該方法通過分析信號分解成具有物理意義的有限階本征模態(tài)函數(shù)（IMF），所含了不同時間尺度的局部特征。在計算本征模態(tài)函數(shù)時法獲得信號的極大、極小包絡曲線，在原始序列基礎上到新的數(shù)據(jù)序列，進一步采用遞歸“篩分”方法求得 1初始信號基礎上剝離，并循環(huán)執(zhí)行上述過程，求得高階

圖 2-2 Mallet 算法流程綜上所述，通過對 EMD、VMD和DWT三種常用方法的分析和比較，由于的模態(tài)混淆問題和端點效應難以避免， 的模型參數(shù)選取又要求對目標信號的特性具有豐富的先驗知識，而 小波基函數(shù)的選擇問題可以通過對比實驗分析的方式來解決，而且 對細節(jié)信號的敏感性和良好的局部化特性使得其在非平穩(wěn)時變信號的分解和重構(gòu)中得到了良好的效果和廣泛的應用，所以本文選擇離散小波變換作為振動信號的分解和重構(gòu)方法，并在后續(xù)的研究中通過實驗來驗證 相較于 、 的優(yōu)越性。2.2.2 DWT 小波基函數(shù)分析選擇離散小波變換（ ）的信號分解效果主要取決于小波基函數(shù)選擇的合理性，因此選擇適合目標信號特性的小波基函數(shù)對 至關重要。在選擇小波基函數(shù)時，主要從緊支性、正交性和對稱性三個方面進行對小波函數(shù)進行考量。緊支性主要影響小波函數(shù)的時域分辨率，緊支性越好則時域分辨率越高，但與此同時也會對頻域分辨率有所削弱；正交性為小波函數(shù)提供

a）db5 小波 b）coif2 小波 c）sym5 小波圖 2-3 三種小波基函數(shù)的時頻特性圖2-3為上述三種小波的特性圖像，當三種小波函數(shù)具備一樣的消失矩時，coif2 小波在對稱性上的性能最佳。同時不難發(fā)現(xiàn)，時域?qū)ΨQ性較差的 db5小波和sym5小波在頻域內(nèi)的尺度函數(shù)和小波函數(shù)的響應交叉面積最小，這一特點會使得信號分解過程中的能量泄露現(xiàn)象得到很好的抑制，提高信號分解過程中的時頻分辨率。為了驗證上述各種小波基函數(shù)對信號分解效果的影響，通過一組仿真信號進行離散小波分解實驗。根據(jù)表 2-2 生成一組模擬振動序列，該模擬序列由3部分組成，分別是低頻模擬序列、高頻細微模擬序列和一個高斯噪聲成分，其中低頻模擬序列和微弱模擬序列的頻率分別為50Hz和300Hz
【相似文獻】

相關期刊論文 前10條

1 薄洪健;劉新磊;馬琳;豐上;李海峰;;猜拳博弈過程腦電的時頻特征分析及基于優(yōu)選特征的博弈決策預測[J];信號處理;2017年03期

2 林大超,施惠基,白春華,張奇;基于小波變換的爆破振動時頻特征分析[J];巖石力學與工程學報;2004年01期

3 宦飛,王志中,鄭崇勛;一種分析睡眠腦電圖的時頻特征圖[J];上海交通大學學報;2001年05期

4 吳長水,張小兵,袁亞雄;膛內(nèi)壓力聯(lián)合時頻特征分析[J];彈道學報;2005年03期

5 徐強;小尺度火焰溫度波動聯(lián)合時頻特征初探[J];儀器儀表學報;2003年S2期

6 郭濤;方向;謝全民;嚴中紅;范磊;;頻率切片小波變換在爆破振動信號時頻特征精確提取中應用[J];振動與沖擊;2013年22期

7 宋煒;鄒少峰;歐陽永林;曾慶才;黃家強;常鑫;;快速匹配追蹤三參數(shù)時頻特征濾波[J];石油地球物理勘探;2013年04期

8 劉彩云;郭愛煌;崔炳勝;;高速鐵路軌道不平順的時頻特征分析[J];電子測量技術(shù);2009年07期

9 孟慶筱;呂健;李進武;王麗麗;李浩;;基于S變換的唐山四分量鉆孔應力時頻特征分析[J];大地測量與地球動力學;2018年11期

10 龔海健;黃偉國;趙凱;李雙;朱忠奎;;基于Wigner-Ville分布與小波尺度譜融合的時頻特征提取方法[J];振動與沖擊;2011年12期

相關博士學位論文 前3條

1 張引紅;非線性鼾音信號時頻特征分析研究[D];陜西師范大學;2014年

2 林圣;基于暫態(tài)量的高壓輸電線路故障分類與定位方法研究[D];西南交通大學;2011年

3 郭苗苗;語言任務下腦電時頻網(wǎng)絡特征提取及在腦機接口中的應用[D];河北工業(yè)大學;2016年

相關碩士學位論文 前10條

1 胡曉揚;基于時頻特征的旋轉(zhuǎn)裝備故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學;2019年

2 趙瑩;基于時頻特征分形理論的非線性結(jié)構(gòu)損傷識別方法研究[D];長沙理工大學;2018年

3 楊弘;基于非負矩陣分解的信號時頻特征提取方法研究[D];哈爾濱工程大學;2015年

4 文競成;基于時頻特征參數(shù)的P2P流分類研究[D];電子科技大學;2013年

5 夏峙;水下目標特征的壓縮與融合技術(shù)研究[D];哈爾濱工程大學;2011年

6 陶韜;基于分數(shù)域時頻特征的SAR圖像地物目標檢測方法研究[D];電子科技大學;2012年

7 徐鐵鵬;鋼板腐蝕聲發(fā)射信號時頻特征提取研究[D];沈陽工業(yè)大學;2016年

8 李陽;內(nèi)河航道船只流量檢測方法研究[D];上海交通大學;2014年

9 齊淑敏;脈搏信號時頻特征提取方法研究及信息處理系統(tǒng)設計[D];山東建筑大學;2010年

10 郭睿婷;再入機動導彈的多普勒時頻特征分析[D];西安電子科技大學;2007年

本文編號：2866224