本文關(guān)鍵詞：基于高斯混合隱馬爾科夫模型的滾動(dòng)軸承故障診斷方法研究

  更多相關(guān)文章： 小波包分解與重構(gòu) 隱馬爾可夫模型 故障診斷 ADAMS仿真

【摘要】：隨著現(xiàn)代高新技術(shù)的飛速發(fā)展,現(xiàn)代化工業(yè)進(jìn)程也日趨完善,在現(xiàn)代化工廠中對(duì)機(jī)械設(shè)備的要求也越來(lái)越高。但是隨著機(jī)械設(shè)備的運(yùn)轉(zhuǎn)、磨損,機(jī)械設(shè)備故障的出現(xiàn)也就在所難免了,而滾動(dòng)軸承又是機(jī)械設(shè)備中應(yīng)用最廣泛的零部件之一,所以滾動(dòng)軸承運(yùn)轉(zhuǎn)狀態(tài)優(yōu)劣如何直接影響到整個(gè)機(jī)械設(shè)備的性能。針對(duì)傳統(tǒng)的模式識(shí)別方法(如神經(jīng)網(wǎng)絡(luò)識(shí)別法)一直停留在靜態(tài)模式識(shí)別上的不足,本文提出懫用一種具有統(tǒng)計(jì)規(guī)律的動(dòng)態(tài)模式識(shí)別技術(shù)-隱馬爾科夫模型來(lái)對(duì)滾動(dòng)軸承進(jìn)行故障診斷。本文以Rexnord ER10k型號(hào)滾動(dòng)軸承作為研究對(duì)象,把滾動(dòng)軸承模式識(shí)別作為研究目的,提出了基于高斯混合隱馬爾科夫模型的滾動(dòng)軸承故障診斷的方法研究,對(duì)滾動(dòng)軸承各故障模式不同尺寸分別做了故障仿真研究和實(shí)驗(yàn)研究。其主要內(nèi)容如下:基于小波包分解與重構(gòu)的信號(hào)特征提取研究。通過(guò)實(shí)驗(yàn)采集的數(shù)據(jù),由于機(jī)械運(yùn)轉(zhuǎn)或者外界環(huán)境的因素,無(wú)可避免的給實(shí)驗(yàn)數(shù)據(jù)帶來(lái)一些噪聲信號(hào)。然而滾動(dòng)軸承相關(guān)零部件振動(dòng)信號(hào)有著不同的頻域能量,所以將滾動(dòng)軸承故障信號(hào)經(jīng)過(guò)小波包分解與重構(gòu)后,得到全部的小波包分解系數(shù)。然后分別重構(gòu)各分解后的小波包系數(shù),再根據(jù)不同故障模式的滾動(dòng)軸承振動(dòng)信號(hào)在頻域能量分布中的差異性,對(duì)重構(gòu)后的小波系數(shù)提取特征向量。最后把經(jīng)過(guò)小波包分解與重構(gòu)后故障信號(hào)的特征向量進(jìn)行歸一化處理,采用這種方法既提高了信號(hào)的分辨率,也起到了很好的消噪作用�；贏DAMS滾動(dòng)軸承單體故障建模與仿真研究。在Solidworks軟件中建立以Rexnord ER10為對(duì)象的滾動(dòng)軸承模型,通過(guò)模擬仿真,設(shè)定與實(shí)驗(yàn)相關(guān)參數(shù),獲得理想狀態(tài)下的滾動(dòng)軸承單體故障信號(hào)。將仿真獲得的滾動(dòng)軸承單體故障信號(hào)和實(shí)驗(yàn)數(shù)據(jù)作為輸入樣本建立各故障模式的高斯混合隱馬爾科夫模型(GMM-HMM),采用實(shí)驗(yàn)數(shù)據(jù)與仿真數(shù)據(jù)作為高斯混合隱馬爾科夫模型的輸入樣本還能很好的適應(yīng)于后階段對(duì)滾動(dòng)軸承各故障模式不同損傷程度的判別提供很好的依據(jù)。高斯混合隱馬爾科夫模型在故障診斷中的應(yīng)用。由于隱馬爾科夫模型最先應(yīng)用于語(yǔ)音識(shí)別領(lǐng)域,在滾動(dòng)軸承故障診斷中鮮有考慮,本文針對(duì)滾動(dòng)軸承故障診斷特性分析,討論了隱馬爾科夫模型在滾動(dòng)軸承故障診斷應(yīng)用中的可行性,并且對(duì)隱馬爾科夫模型幾種不同類型應(yīng)用方法進(jìn)行了探討,其探討結(jié)果認(rèn)為高斯混合隱馬爾科夫模型對(duì)滾動(dòng)軸承故障診斷的應(yīng)用比其他幾種類型的方法更有優(yōu)勢(shì)�；诟咚够旌想[馬爾科夫模型的滾動(dòng)軸承故障診斷建模與實(shí)驗(yàn)驗(yàn)證。滾動(dòng)軸承故障信號(hào)通過(guò)小波包分解與重構(gòu)后獲得能量特征信號(hào)利用信號(hào)各頻段的能量組成的特征矢量作為GMM-HMM模型樣本輸入,對(duì)GMM-HMM模型進(jìn)行訓(xùn)練,獲得滾動(dòng)軸承各故障模式不同故障尺寸的高斯混合隱馬爾科夫模型。最后利用實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)對(duì)已經(jīng)建立起來(lái)的GMM-HMM模型進(jìn)行測(cè)試,通過(guò)計(jì)算當(dāng)前的狀態(tài)監(jiān)測(cè)數(shù)據(jù)在GMM-HMM模型庫(kù)出現(xiàn)的概率,并且根據(jù)出現(xiàn)的最大概率來(lái)評(píng)估其所處的故障模式。該研究發(fā)現(xiàn)經(jīng)過(guò)小波包分解與重構(gòu)后的滾動(dòng)軸承故障信號(hào),能很好的應(yīng)用于隱馬爾科夫模型,獲得較高的識(shí)別率,并且建立隱馬爾科夫模型所需要的樣本數(shù)量少,計(jì)算并不復(fù)雜,所以基于小波包分解與重構(gòu)和隱馬爾科夫模型的方法能很好的應(yīng)用到滾動(dòng)軸承故障診斷研究中。
【關(guān)鍵詞】：小波包分解與重構(gòu) 隱馬爾可夫模型 故障診斷 ADAMS仿真
【學(xué)位授予單位】：湖南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH133.33
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-21
• 1.1 課題來(lái)源11
• 1.2 研究背景和意義11-13
• 1.3 機(jī)械設(shè)備故障診斷技術(shù)的研究進(jìn)展13-15
• 1.4 滾動(dòng)軸承故障診斷技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀15-18
• 1.5 本文研究的主要內(nèi)容18-19
• 1.6 本章小結(jié)19-21
• 第二章 滾動(dòng)軸承單體故障動(dòng)力學(xué)仿真研究21-29
• 2.1 ADAMS軟件簡(jiǎn)介21-22
• 2.2 滾動(dòng)軸承模型的建立與單體故障動(dòng)力學(xué)仿真22-28
• 2.2.1 正常滾動(dòng)軸承動(dòng)力學(xué)仿真22-24
• 2.2.2 滾動(dòng)軸承外圈故障動(dòng)力學(xué)仿真24-25
• 2.2.3 滾動(dòng)軸承內(nèi)圈故障動(dòng)力學(xué)仿真25-26
• 2.2.4 滾動(dòng)軸承滾子故障動(dòng)力學(xué)仿真26-28
• 2.3 本章小結(jié)28-29
• 第三章 滾動(dòng)軸承故障診斷特征提取方法29-43
• 3.1 傅里葉變換與小波分析29-30
• 3.2 小波包分解與重構(gòu)30-35
• 3.2.1 小波包的概念30-31
• 3.2.2 小波包函數(shù)的傅里葉變換31-32
• 3.2.3 小波空間的小波包分解32
• 3.2.4 多分辨分析法32-34
• 3.2.5 小波一維Mallat算法34-35
• 3.3 實(shí)驗(yàn)系統(tǒng)與故障特征提取35-42
• 3.4 本章小結(jié)42-43
• 第四章 高斯混合隱馬爾科夫模型的基本理論及其應(yīng)用43-57
• 4.1 隱馬爾科夫模型基本概念43-45
• 4.2 隱馬爾科夫模型定義45-46
• 4.3 隱馬爾科夫模型基本算法46-52
• 4.3.1 前向后向算法47-49
• 4.3.2 維特比算法49-50
• 4.3.3 保姆韋爾奇算法50-52
• 4.4 高斯混合隱馬爾科夫模型簡(jiǎn)介52-56
• 4.4.1 高斯混合隱馬爾科夫模型的參數(shù)重估算法52-54
• 4.4.2 基于高斯混合隱馬爾科夫模型的故障診斷方法54-56
• 4.5 本章小結(jié)56-57
• 第五章 GMM-HMM在滾動(dòng)軸承故障診斷中的應(yīng)用57-71
• 5.1 滾動(dòng)軸承故障數(shù)據(jù)樣本介紹與故障特征提取57
• 5.2 GMM-HMM模型庫(kù)建立與參數(shù)訓(xùn)練57-64
• 5.3 高斯混合隱馬爾科夫模型的測(cè)試與驗(yàn)證64-68
• 5.4 GMM-HMM和神經(jīng)網(wǎng)絡(luò)診斷方法的對(duì)比分析68-70
• 5.5 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 全文總結(jié)71-72
• 6.2 研究展望72-73
• 參考文獻(xiàn)73-79
• 致謝79-81
• 附錄 攻讀學(xué)位期間參研項(xiàng)目和發(fā)表論文81

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 王國(guó)鋒,王子良,秦旭達(dá),王太勇;基于小波包和徑向基神經(jīng)網(wǎng)絡(luò)軸承故障診斷[J];北京科技大學(xué)學(xué)報(bào);2004年02期

2 王國(guó)棟;張建宇;高立新;胥永剛;張雪松;;小波包神經(jīng)網(wǎng)絡(luò)在軸承故障模式識(shí)別中的應(yīng)用[J];軸承;2007年01期

3 郝旺身;韓捷;董辛e，

本文編號(hào)：979045