大型旋轉(zhuǎn)機(jī)械大都處于工況復(fù)雜的惡劣環(huán)境中,設(shè)備極易受損。滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械的核心部件,直接影響著設(shè)備的運(yùn)行安全問題。采集的滾動(dòng)軸承振動(dòng)信號(hào)往往混有大量的外界噪聲,具有非線性、非穩(wěn)定的特點(diǎn),不易處理。因此,如何對(duì)滾動(dòng)軸承進(jìn)行有效監(jiān)測(cè)和診斷是亟待解決的技術(shù)問題。本文將滾動(dòng)軸承作為主要研究對(duì)象,開展了滾動(dòng)軸承復(fù)合故障特征增強(qiáng)和智能識(shí)別的方法研究。主要研究內(nèi)容分為三個(gè)方面:(1)在信號(hào)處理方面,研究了灰狼優(yōu)化算法(GWO)優(yōu)化VMD的信號(hào)特征增強(qiáng)方法。VMD算法在一定程度上解決了模態(tài)混疊問題,但是預(yù)設(shè)尺度和平衡因子選取不當(dāng)可能會(huì)產(chǎn)生信號(hào)欠分解、過分解和混疊等問題。針對(duì)該問題,本文引入群體智能優(yōu)化算法,提出了基于GWO優(yōu)化的VMD算法。結(jié)合平均瞬時(shí)頻率,該優(yōu)化算法能夠有效尋求最佳系數(shù)組合預(yù)設(shè)尺度和平衡因子。利用兩種不同的滾動(dòng)軸承故障模擬實(shí)驗(yàn)臺(tái)對(duì)改進(jìn)算法進(jìn)行實(shí)驗(yàn)驗(yàn)證和分析,實(shí)驗(yàn)結(jié)果表明:灰狼優(yōu)化VMD算法能夠有效削弱噪聲成分的影響,增強(qiáng)信號(hào)的故障特征。因此,基于GWO優(yōu)化VMD算法適用于滾動(dòng)軸承微弱故障信號(hào)的處理。(2)在故障特征參數(shù)集構(gòu)建方面,研究了時(shí)域和頻域特征參數(shù)、峭度譜熵以及MFCC系數(shù)...

【文章頁數(shù)】：100 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
學(xué)位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 論文主要內(nèi)容以及創(chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)框架
第二章 基于群體智能優(yōu)化的VMD特征增強(qiáng)方法研究
    2.1 變分模態(tài)分解算法原理及其存在的問題
        2.1.1 變分模態(tài)分解算法原理
        2.1.2 變分模態(tài)分解算法存在的問題
    2.2 基于群體智能優(yōu)化VMD算法的特征增強(qiáng)方法
        2.2.1 灰狼優(yōu)化算法
        2.2.2 基于灰狼優(yōu)化的VMD特征增強(qiáng)方法
    2.3 改進(jìn)VMD方法驗(yàn)證及結(jié)果分析
        2.3.1 實(shí)驗(yàn)條件
        2.3.2 實(shí)驗(yàn)結(jié)果與分析
    2.4 本章小結(jié)
第三章 最優(yōu)特征參數(shù)集的構(gòu)建方法研究
    3.1 時(shí)域特征和頻域特征參數(shù)提取方法
        3.1.1 時(shí)域特征參數(shù)提取方法
        3.1.2 頻域特征參數(shù)提取方法
        3.1.3 時(shí)域和頻域特征參數(shù)有效性分析
    3.2 峭度譜熵
        3.2.1 峭度譜熵特征參數(shù)提取方法
        3.2.2 峭度譜熵特征參數(shù)有效性分析
    3.3 Mel頻率倒譜系數(shù)
        3.3.1 Mel頻率倒譜系數(shù)特征參數(shù)提取方法
        3.3.2 MFCC特征參數(shù)有效性分析
    3.4 最優(yōu)特征參數(shù)集的構(gòu)建
        3.4.1 基于有監(jiān)督封裝型特征約簡的最優(yōu)特征參數(shù)集構(gòu)建方法
        3.4.2 方法驗(yàn)證及結(jié)果分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)極限學(xué)習(xí)機(jī)的復(fù)合故障智能診斷方法研究
    4.1 基于傳統(tǒng)極限學(xué)習(xí)機(jī)的復(fù)合故障智能診斷
        4.1.1 極限學(xué)習(xí)機(jī)原理
        4.1.2 傳統(tǒng)ELM方法實(shí)驗(yàn)分析
    4.2 基于雙并行極限學(xué)習(xí)機(jī)的復(fù)合故障智能診斷
        4.2.1 雙并行極限學(xué)習(xí)機(jī)原理
        4.2.2 DP-ELM方法驗(yàn)證及結(jié)果分析
    4.3 基于雙并行雙隱層極限學(xué)習(xí)機(jī)的復(fù)合故障智能診斷
        4.3.1 雙并行雙隱層極限學(xué)習(xí)機(jī)原理
        4.3.2 DPT-ELM方法驗(yàn)證及結(jié)果分析
    4.4 DPT-ELM有效性驗(yàn)證分析
    4.5 本章小結(jié)
第五章 結(jié)論與展望
    5.1 研究成果總結(jié)
    5.2 后續(xù)研究展望
參考文獻(xiàn)
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡介
碩士研究生學(xué)位論文答辯委員會(huì)決議書



本文編號(hào)：3744623