本文關(guān)鍵詞：自動(dòng)傾斜器滾動(dòng)軸承故障診斷系統(tǒng)設(shè)計(jì)

  更多相關(guān)文章： 自動(dòng)傾斜器 LMD ICA 特征向量 SVM

【摘要】：直升機(jī)在民用和國(guó)防領(lǐng)域有非常重要的作用,自動(dòng)傾斜器滾動(dòng)軸承是直升機(jī)的重要部件之一,其健康狀態(tài)直接影響到直升機(jī)的安全。因此,對(duì)直升機(jī)自動(dòng)傾斜器滾動(dòng)軸承進(jìn)行故障診斷研究具有重要的意義。本課題受某航空單位的委托,開發(fā)了基于振動(dòng)信號(hào)分析的自動(dòng)傾斜器滾動(dòng)軸承故障診斷系統(tǒng),并研究了故障診斷方法。本文主要研究?jī)?nèi)容和成果如下:(1)開發(fā)了自動(dòng)傾斜器滾動(dòng)軸承故障診斷系統(tǒng)。首先,根據(jù)委托單位的用戶需求,從系統(tǒng)需求、功能需求和技術(shù)指標(biāo)需求進(jìn)行了用戶需求分析;其次,在需求分析的基礎(chǔ)上,完成了系統(tǒng)的概要設(shè)計(jì),主要包括系統(tǒng)總體設(shè)計(jì)、接口設(shè)計(jì)和界面設(shè)計(jì);最后,利用Matlab和VC++混合編程,在軟件詳細(xì)設(shè)計(jì)的基礎(chǔ)上實(shí)現(xiàn)了軟件的所有功能模塊,并完成功能模塊和系統(tǒng)的聯(lián)調(diào)。系統(tǒng)主要包括預(yù)處理、特征提取和故障診斷等功能模塊。該軟件系統(tǒng)預(yù)處理模塊主要有時(shí)域平均、小波包濾波和形態(tài)學(xué)濾波等降噪方法;特征提取模塊主要有時(shí)域特征、頻域特征、LMD特征和EMD特征等特征值類型;故障診斷模塊主要有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)等分類方法。軟件系統(tǒng)具有靈活、開放、智能化特點(diǎn),能滿足委托方對(duì)軟件系統(tǒng)提出的功能和性能需求。(2)研究了自動(dòng)傾斜器滾動(dòng)軸承故障診斷方法。針對(duì)局部均值分解(Local Mean Decomposition,LMD)在提取故障特征時(shí)易受到噪聲干擾的問(wèn)題,提出了一種基于局部均值分解和獨(dú)立分量分析(Independent Component Analysis,ICA)的滾動(dòng)軸承故障診斷方法。該方法首先采用LMD方法提取信號(hào)PF分量;其次,對(duì)PF分量進(jìn)行ICA盲源分離,得到PF分量的估計(jì)信號(hào),有效去除了分量中的噪聲成分;然后,提取估計(jì)信號(hào)的互信息、相關(guān)系數(shù)和近似熵作為特征向量;最后,采用SVM對(duì)特征向量進(jìn)行故障分類,通過(guò)特征提取和故障診斷實(shí)驗(yàn),結(jié)果表明LMD-ICA方法的故障識(shí)別率明顯高于傳統(tǒng)LMD方法。
【關(guān)鍵詞】：自動(dòng)傾斜器 LMD ICA 特征向量 SVM
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH17
，

本文編號(hào)：827231