本文關(guān)鍵詞：基于變分模態(tài)分解的故障診斷方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學(xué)技術(shù)的發(fā)展,機(jī)械設(shè)備的復(fù)雜化程度越來越高,導(dǎo)致部件之間聯(lián)系十分密切,假如某一個部件出現(xiàn)故障而無法正常工作,必然會“牽一發(fā)而動全身”,導(dǎo)致整個設(shè)備都無法正常工作,嚴(yán)重影響生產(chǎn)效率和經(jīng)濟(jì)效益。故障診斷主要步驟是首先采集設(shè)備現(xiàn)場運(yùn)行信息,然后提取故障特征,最后進(jìn)行狀態(tài)識別和故障診斷。其中最關(guān)鍵的是從振動信號中提取對故障敏感的特征,同時也是本文的研究重點(diǎn)。深入研究了變分模態(tài)分解(VMD)算法的基本原理,針對其參數(shù)不易確定的問題做出改進(jìn),提出運(yùn)用混沌粒子群優(yōu)化算法優(yōu)化VMD算法的參數(shù)。并通過測試函數(shù)對標(biāo)準(zhǔn)粒子群優(yōu)化算法和混沌粒子群優(yōu)化算法進(jìn)行了數(shù)值仿真對比,驗證了混沌粒子群優(yōu)化算法比標(biāo)準(zhǔn)粒子群優(yōu)化算法具有更高的搜索效率。提出了一種基于混沌粒子群算法優(yōu)化VMD參數(shù)的滾動軸承故障識別方法,首先運(yùn)用混沌粒子群算法優(yōu)化VMD參數(shù);然后對滾動軸承故障信號進(jìn)行VMD分解,進(jìn)而通過互相關(guān)系數(shù)篩選出有效分量并進(jìn)行信號重構(gòu),提取不同故障類型信號的特征向量;最后通過核模糊C均值(KFCM)聚類算法對訓(xùn)練樣本特征向量集進(jìn)行聚類,得到不同的聚類中心,再利用最小歐氏距離原則對測試樣本特征向量進(jìn)行識別。并在相同診斷問題和診斷數(shù)據(jù)的情況下,將VMD方法和經(jīng)驗?zāi)B(tài)分解(EMD)方法的聚類效果以及故障識別率進(jìn)行了對比,驗證了VMD算法的優(yōu)勢。以機(jī)械故障綜合模擬實驗臺為對象,搭建了基于LabVIEW的信號采集系統(tǒng),采集了滾動軸承不同類型的故障信號。經(jīng)研究發(fā)現(xiàn),由于混沌粒子群算法優(yōu)化VMD參數(shù)消耗時間過多,所以采用了一種基于VMD消噪的滾動軸承故障識別方法對其進(jìn)行故障識別,此方法中包含了一種簡單有效確定VMD參數(shù)的方法。并在相同的診斷問題和診斷數(shù)據(jù)的情況下,將VMD方法與EMD方法進(jìn)行對比,結(jié)果表明VMD方法的KFCM聚類效果以及故障識別率均優(yōu)于EMD方法,說明基于VMD消噪的滾動軸承故障識別方法的有效性以及時效性。
【關(guān)鍵詞】：機(jī)械設(shè)備 故障識別 混沌粒子群 變分模態(tài)分解 特征提取 核模糊C均值聚類
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 課題背景及研究目的和意義10-11
• 1.2 機(jī)械故障診斷技術(shù)國內(nèi)外研究現(xiàn)狀11-16
• 1.2.1 機(jī)械故障診斷的主要內(nèi)容12-15
• 1.2.2 機(jī)械故障診斷技術(shù)的研究現(xiàn)狀15-16
• 1.3 VMD算法的研究現(xiàn)狀16-17
• 1.4 本文的主要內(nèi)容17-18
• 第2章 變分模態(tài)分解方法18-35
• 2.1 基礎(chǔ)概念18-24
• 2.1.1 解析信號18-19
• 2.1.2 瞬時頻率19-21
• 2.1.3 內(nèi)稟模態(tài)函數(shù)21-22
• 2.1.4 EMD基本原理22-24
• 2.1.5 模態(tài)混疊24
• 2.2 VMD方法的原理24-27
• 2.3 VMD方法的仿真分析27-34
• 2.3.1 含噪情況下分離效果研究27-30
• 2.3.2 間斷信號干擾研究30-32
• 2.3.3 脈沖信號干擾研究32-34
• 2.4 本章小結(jié)34-35
• 第3章 混沌粒子群優(yōu)化算法的原理35-41
• 3.1 混沌的概念35
• 3.2 粒子群優(yōu)化算法35-38
• 3.2.1 粒子群優(yōu)化算法的起源35-36
• 3.2.2 標(biāo)準(zhǔn)粒子群優(yōu)化算法36-37
• 3.2.3 參數(shù)分析37-38
• 3.3 混沌粒子群優(yōu)化算法的思想38-39
• 3.4 混沌粒子群優(yōu)化算法的數(shù)值仿真39-40
• 3.5 本章小結(jié)40-41
• 第4章 基于混沌粒子群算法優(yōu)化VMD參數(shù)的滾動軸承故障識別方法41-53
• 4.1 實驗數(shù)據(jù)采集系統(tǒng)41-42
• 4.2 VMD參數(shù)的優(yōu)化方法42-44
• 4.3 有效模態(tài)分量的提取44-46
• 4.4 特征向量的構(gòu)造46-48
• 4.4.1 樣本熵原理46-47
• 4.4.2 均方根值47-48
• 4.5 故障識別48-52
• 4.5.1 核模糊C均值聚類的原理48-49
• 4.5.2 KFCM聚類效果的評價指標(biāo)49
• 4.5.3 KFCM聚類結(jié)果49-50
• 4.5.4 故障識別過程50-52
• 4.6 本章小結(jié)52-53
• 第5章 基于VMD消噪的滾動軸承故障識別方法53-66
• 5.1 滾動軸承故障模擬實驗系統(tǒng)53-58
• 5.1.1 機(jī)械故障綜合模擬實驗臺53-56
• 5.1.2 基于Lab VIEW的數(shù)據(jù)采集系統(tǒng)56-58
• 5.2 基于VMD消噪的滾動軸承故障識別方法58-60
• 5.3 VMD參數(shù)的確定方法60-61
• 5.3.1 仿真信號60
• 5.3.2 實驗采集數(shù)據(jù)60-61
• 5.4 實驗采集數(shù)據(jù)處理流程61-62
• 5.5 故障識別結(jié)果62-65
• 5.6 本章小結(jié)65-66
• 結(jié)論66-67
• 參考文獻(xiàn)67-72
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要研究成果72-74
• 致謝74

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前8條

1 程軍圣,于德介,楊宇;經(jīng)典模態(tài)分解方法中內(nèi)稟模態(tài)函數(shù)判據(jù)問題研究[J];中國機(jī)械工程;2004年20期

2 葉慶衛(wèi);汪同慶;;基于幅譜分割的粒子群最優(yōu)模態(tài)分解研究與應(yīng)用[J];儀器儀表學(xué)報;2009年08期

3 王良鋒;喬渭陽;紀(jì)良;余索遠(yuǎn);;軸流風(fēng)扇/壓氣機(jī)管道周向聲模態(tài)的測量[J];航空動力學(xué)報;2014年04期

4 甘甜;王英民;趙俊渭;;模態(tài)分解的波束形成方法研究[J];兵工學(xué)報;2011年03期

5 李中付,華宏星,宋漢文,陳之炎;模態(tài)分解法辨識線性結(jié)構(gòu)在環(huán)境激勵下的模態(tài)參數(shù)[J];上海交通大學(xué)學(xué)報;2001年12期

6 劉志剛,陳艾榮;橋梁順風(fēng)向等效風(fēng)荷載計算方法及其分布[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2003年08期

7 李苗;任偉新;胡異丁;王寧波;;基于解析模態(tài)分解法的橋梁動態(tài)應(yīng)變監(jiān)測數(shù)據(jù)溫度影響的分離[J];振動與沖擊;2012年21期

8 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 裴利軍;邱本花;;模態(tài)分解法在非恒同耦合系統(tǒng)同步研究中的推廣[A];第十二屆全國非線性振動暨第九屆全國非線性動力學(xué)和運(yùn)動穩(wěn)定性學(xué)術(shù)會議論文集[C];2009年

2 潘

本文編號：308514