旋轉(zhuǎn)機(jī)械軸承-轉(zhuǎn)子系統(tǒng)故障頻發(fā),單一故障存在很有可能誘發(fā)其它故障產(chǎn)生。旋轉(zhuǎn)機(jī)械中軸承和轉(zhuǎn)子故障占比較大,而軸承-轉(zhuǎn)子復(fù)合故障也時(shí)有發(fā)生。如果任由其故障發(fā)展將會(huì)造成不可挽救的重大生命財(cái)產(chǎn)損失,因此旋轉(zhuǎn)機(jī)械故障診斷方法研究具有非常重要的意義。設(shè)備的狀態(tài)監(jiān)測(cè)可以為設(shè)備維修保養(yǎng)制定合理的計(jì)劃,避免了“維修不足”和“維修過(guò)�！鼻闆r發(fā)生,同時(shí)為維修提供參考決策。基于信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷方法常以振動(dòng)加速度作為重要的研究載體,而收集到的信號(hào)成分十分復(fù)雜,往往存在干擾成分較多。如若不對(duì)信號(hào)進(jìn)行預(yù)處理很難從原始信號(hào)中獲取有用信息。針對(duì)上述問(wèn)題,本文提出了一種瞬時(shí)頻率均值曲線(xiàn)和VMD-EES結(jié)合的故障特征提取方法。首先使用軸承振動(dòng)模型模擬了一組故障信號(hào),通過(guò)Hilbert包絡(luò)譜分析VMD分解得到的分量發(fā)現(xiàn),分量中依然含有較多的噪聲成分,故障特征依然不夠明顯。增強(qiáng)包絡(luò)譜中的自相關(guān)函數(shù)和擴(kuò)展Shannon熵操作不僅可以有效降低無(wú)法剔除的噪聲,還可以增強(qiáng)故障特征。通過(guò)仿真信號(hào)和SKF6203滾動(dòng)體微弱故障分析,證實(shí)了所提方法的有效性。同時(shí)將EMD-EES方法對(duì)比發(fā)現(xiàn),VMD分解得到的分量其中心頻率和帶寬較為... 

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
變量注釋表
1 緒論
    1.1 研究背景及意義
    1.2 本文的主要研究?jī)?nèi)容和結(jié)構(gòu)安排
    1.3 本章小結(jié)
2 文獻(xiàn)綜述
    2.1 旋轉(zhuǎn)機(jī)械故障診斷發(fā)展歷程和研究現(xiàn)狀
    2.2 旋轉(zhuǎn)機(jī)械復(fù)合故障診斷研究現(xiàn)狀
    2.3 旋轉(zhuǎn)機(jī)械復(fù)合故障診斷發(fā)展趨勢(shì)
    2.4 本章小結(jié)
3 滾動(dòng)軸承故障和轉(zhuǎn)子故障的特征探究
    3.1 滾動(dòng)軸承故障機(jī)理及特征
    3.2 轉(zhuǎn)子故障機(jī)理及特征
    3.3 滾動(dòng)軸承-轉(zhuǎn)子復(fù)合故障特征
    3.4 滾動(dòng)軸承-轉(zhuǎn)子復(fù)合故障實(shí)驗(yàn)
    3.5 本章小結(jié)
4 基于VMD和增強(qiáng)包絡(luò)譜結(jié)合的信號(hào)處理
    4.1 軸承-轉(zhuǎn)子復(fù)合故障振動(dòng)信號(hào)模型
    4.2 VMD-EES故障診斷方法
    4.3 仿真信號(hào)故障特征提取
    4.4 滾動(dòng)體故障實(shí)測(cè)信號(hào)特征提取
    4.5 本章小結(jié)
5 基于深度卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷
    5.1 DCNN概述
    5.2 ES-DCNN故障診斷方法
    5.3 Semi-DCNN故障診斷方法
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3700998