在工業(yè)過(guò)程中旋轉(zhuǎn)機(jī)械的健康狀況是保證機(jī)械設(shè)備可靠性的關(guān)鍵。其中軸承是旋轉(zhuǎn)機(jī)械中常用的部件并且是其工作失效的主要故障源。由于軸承在運(yùn)轉(zhuǎn)過(guò)程中其狀態(tài)會(huì)經(jīng)歷從正常到失效的過(guò)程,如果能夠?qū)崟r(shí)監(jiān)測(cè)軸承的運(yùn)行狀態(tài)就可以預(yù)防軸承故障的發(fā)生,從而避免不必要的經(jīng)濟(jì)損失。本文采用小波包分解加自回歸模型（AR）的理論和方法對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行特征提取,再用異常檢測(cè)算法對(duì)滾動(dòng)軸承的性能進(jìn)行評(píng)估,具體工作內(nèi)容如下:（1）針對(duì)傳統(tǒng)的時(shí)域特征存在對(duì)特征信息的挖掘有限,監(jiān)測(cè)效果不足等問(wèn)題,本文對(duì)滾動(dòng)軸承早期無(wú)故障數(shù)據(jù)和失效數(shù)據(jù)建立AR模型,并提取AR模型的系數(shù)和殘差以及小波包分解的節(jié)點(diǎn)能量值作為特征向量輸入到后續(xù)退化評(píng)估模型中。（2）針對(duì)基于模糊C均值（FCM）等統(tǒng)計(jì)距離型異常檢測(cè)模型沒(méi)有確定的上限值,而基于隱馬爾科夫模型等的概率相似度異常檢測(cè)算法又常常出現(xiàn)提前飽和現(xiàn)象,提出了一種FCM-HMM性能退化評(píng)估模型,提取特征后,把待測(cè)數(shù)據(jù)輸入建立好的HMM和FCM模型中得到的退化指標(biāo)P和DI作為兩列輸入特征,輸入到建立好的FCM模型中,該融合模型集中了空間統(tǒng)計(jì)距離和相似度方法兩者的優(yōu)勢(shì),并且該模型能實(shí)現(xiàn)滾動(dòng)軸承的性能... 

【文章來(lái)源】：華東交通大學(xué)江西省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 本文的主要工作及內(nèi)容安排
        1.3.1 研究?jī)?nèi)容及思路
        1.3.2 章節(jié)安排及內(nèi)容概述
第二章 滾動(dòng)軸承故障診斷的理論基礎(chǔ)
    2.1 研究對(duì)象分析
        2.1.1 滾動(dòng)軸承的失效形式
        2.1.2 滾動(dòng)軸承的振動(dòng)機(jī)理
        2.1.3 滾動(dòng)軸承的故障特征頻率計(jì)算
    2.2 包絡(luò)解調(diào)分析原理
    2.3 試驗(yàn)數(shù)據(jù)來(lái)源及分析
    2.4 本章小結(jié)
第三章 基于概率密度估計(jì)方法的異常檢測(cè)算法
    3.1 特征提取方法
        3.1.1 時(shí)域特征提取
        3.1.2 小波包分解
        3.1.3 AR模型系數(shù)和殘差
    3.2 特征降維方法
        3.2.1 局部線性嵌入（LocallyLinearEmbedding,LLE）
    3.3 基于HMM模型的異常檢測(cè)算法理論和算法
        3.3.1 HMM基本概念及特點(diǎn)
        3.3.2 HMM基本定義
        3.3.3 HMM基本算法
    3.4 實(shí)驗(yàn)數(shù)據(jù)來(lái)源
        3.4.1 特征參數(shù)分析
        3.4.2 特征矢量化與歸一化
        3.4.3 基于HMM模型的異常檢測(cè)算法性能退化評(píng)估
    3.5 本章小結(jié)
第四章 基于邊界方法的異常檢測(cè)算法
    4.1 聚類分析
        4.1.1 聚類分析的相關(guān)概念
        4.1.2 相似性測(cè)度以及聚類準(zhǔn)則
    4.2 基于試探的聚類搜索算法
        4.2.1 按最近鄰規(guī)則的簡(jiǎn)單試探法
        4.2.2 動(dòng)態(tài)聚類法
        4.2.3 聚類結(jié)果的評(píng)價(jià)
    4.3 模糊模式識(shí)別
        4.3.1 模糊關(guān)系
        4.3.2 隸屬度的確定
        4.3.3 模糊聚類分析
    4.4 基于邊界模型的異常檢測(cè)算法
    4.5 模型的建立與試驗(yàn)結(jié)果
        4.5.1 評(píng)估模型的建立
        4.5.2 報(bào)警閾值設(shè)定
        4.5.3 實(shí)驗(yàn)與結(jié)果分析
        4.5.4 包絡(luò)譜分析
    4.6 本章小結(jié)
第五章 基于FCM-HMM的滾動(dòng)軸承的性能退化評(píng)估方法
    5.1 融合型異常檢測(cè)模型
        5.1.1 FCM-HMM模型
        5.1.2 模型的建立與指標(biāo)提取步驟
    5.2 FCM-HMM評(píng)估結(jié)果
    5.3 IEEEPHM2012試驗(yàn)介紹
    5.4 基于異常檢測(cè)算法的性能退化評(píng)估結(jié)果及分析
        5.4.1 基于異常檢測(cè)的邊界方法
        5.4.2 基于異常檢測(cè)的概率密度估計(jì)方法
        5.4.3 基于異常檢測(cè)的融合型方法
    5.5 風(fēng)力渦輪發(fā)電機(jī)（WTG）組高速軸承試驗(yàn)
        5.5.1 試驗(yàn)結(jié)果及分析
    5.6 本章小結(jié)
第六章 基于模型重構(gòu)的異常檢測(cè)算法
    6.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)分類
        6.1.1 BP神經(jīng)網(wǎng)絡(luò)
        6.1.2 RBF（徑向基）神經(jīng)網(wǎng)絡(luò)
    6.2 基于AANN-FCM模型重構(gòu)算法的實(shí)現(xiàn)步驟
    6.3 基于AANN-FCM模型重構(gòu)算法的實(shí)驗(yàn)及結(jié)果分析
        6.3.1 特征提取
        6.3.2 實(shí)驗(yàn)及實(shí)驗(yàn)分析
    6.4 本章小結(jié)
第七章 結(jié)論
    7.1 結(jié)論
    7.2 主要?jiǎng)?chuàng)新點(diǎn)
    7.3 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷在讀期間發(fā)表的學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于小波包和SOM神經(jīng)網(wǎng)絡(luò)的電作動(dòng)器故障診斷[J]. 田瑤瑤,張惠娟,楊忠,李小明,張輝斌.  應(yīng)用科技. 2018(01)
[2]基于非線性降維和模糊均值聚類的滾動(dòng)軸承的性能退化在線評(píng)估方法[J]. 周建民,郭慧娟,張龍.  機(jī)械設(shè)計(jì)與研究. 2017(06)
[3]基于AR-FCM的滾動(dòng)軸承的性能退化評(píng)估[J]. 周建民,郭慧娟,張龍.  機(jī)械傳動(dòng). 2017(12)
[4]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的變壓器故障預(yù)測(cè)[J]. 于瑩,袁萍,劉曉龍.  山東工業(yè)技術(shù). 2017(24)
[5]基于時(shí)間序列與小波分離的畸變信號(hào)的分析[J]. 張恩瑜,龐懿元,潘越.  科技創(chuàng)新與應(yīng)用. 2017(28)
[6]一種融合型異常檢測(cè)算法及其在軸承性能退化評(píng)估中的應(yīng)用[J]. 周建民,郭慧娟,張龍.  制造技術(shù)與機(jī)床. 2017(10)
[7]基于隱馬爾科夫模型的滾動(dòng)軸承性能退化評(píng)估[J]. 周建民,郭慧娟,張龍.  華東交通大學(xué)學(xué)報(bào). 2017(04)
[8]基于小波包與SOM神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷[J]. 李娟娟,孟國(guó)營(yíng),謝廣明,賈一凡.  傳感技術(shù)學(xué)報(bào). 2017(07)
[9]地震波信號(hào)的小波包分解及能量分布特征[J]. 杜劍,毛毳,林貝貝.  天津城建大學(xué)學(xué)報(bào). 2017(03)
[10]結(jié)合小波包奇異譜熵和SVDD的滾動(dòng)軸承性能退化評(píng)估[J]. 周建民,徐清瑤,張龍,李鵬.  機(jī)械科學(xué)與技術(shù). 2016(12)

博士論文
[1]滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D]. 朱可恒.大連理工大學(xué) 2013
[2]基于循環(huán)平穩(wěn)和盲源分離的滾動(dòng)軸承故障特征提取方法研究[D]. 明陽(yáng).上海交通大學(xué) 2013
[3]滾動(dòng)軸承表面損傷故障的特征提取與診斷方法研究[D]. 隋文濤.山東大學(xué) 2011
[4]交通領(lǐng)域中的聚類分析方法研究[D]. 李桃迎.大連海事大學(xué) 2010
[5]計(jì)算智能在機(jī)械設(shè)備故障診斷中的應(yīng)用研究[D]. 馮志鵬.大連理工大學(xué) 2003

碩士論文
[1]基于模糊聚類分析縣域土地整理分區(qū)研究[D]. 朱慕熔.江西師范大學(xué) 2016
[2]模糊關(guān)系一些性質(zhì)的極大內(nèi)部與極小閉包的研究[D]. 楊曉晨.太原理工大學(xué) 2016
[3]滾動(dòng)軸承變工況條件下靜電監(jiān)測(cè)特征提取及故障程度識(shí)別方法研究[D]. 佟佩聲.南京航空航天大學(xué) 2014
[4]基于振動(dòng)特征提取的滾動(dòng)軸承故障診斷方法研究[D]. 廖星智.昆明理工大學(xué) 2014
[5]基于隱馬爾可夫鏈的證券價(jià)格模型及實(shí)證分析[D]. 龔健.復(fù)旦大學(xué) 2011
[6]齒輪和滾動(dòng)軸承故障的振動(dòng)診斷[D]. 陳剛.西北工業(yè)大學(xué) 2007
[7]動(dòng)態(tài)聚類法研究[D]. 徐藝萍.西南大學(xué) 2006
[8]基于能量算子解調(diào)法的滾動(dòng)軸承故障診斷技術(shù)研究[D]. 王青松.重慶大學(xué) 2004



本文編號(hào)：3090363