隨著科技的不斷發(fā)展,機電設備如電動缸等機構在車輛裝備、智能制造等領域中應用的越來越廣泛,電機作為機電設備中常用的執(zhí)行機構,其軸承發(fā)生故障會對設備整體造成重大的損失。為了進行實時的狀態(tài)監(jiān)測,采集設備關鍵位置的振動信號,對于需要采集很多位置信息的大型設備,會對數據傳輸和儲存造成巨大壓力。通過基于壓縮感知原理的壓縮采樣技術能夠在采集信號的同時進行壓縮,本文以電機軸承為研究對象,提出了一種基于壓縮采樣模型和移不變字典的故障診斷方法,并對故障辨識的精度進行了仿真驗證。本文首先對電機軸承的主要故障形式和故障振動機理進行了分析,說明了軸承的振動信號在壓縮感知理論中的適用性,建立了基于壓縮感知理論的實際采樣仿真模型,對其數學理論模型進行了推導,提取出用于信號重構的投影矩陣。接著,針對含有背景噪聲信號的重構問題,結合了移不變字典學習算法和小波包閾值降噪方法,對訓練數據進行降噪預處理,再通過字典學習得到了含有純凈故障沖擊特征的基函數,將基函數進行時移擴展得到用于信號重構的過完備字典。通過仿真分析對不同壓縮采樣率下的重構信號進行對比,結果表明只需要采集少量的數據就能夠對原始信號中的故障特征波形進行較為精確的... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 電機軸承故障特征提取方法國內外研究現狀
    1.3 電機軸承故障智能診斷算法國內外研究現狀
    1.4 壓縮感知及其在軸承故障診斷的應用國內外研究現狀
    1.5 本文主要研究內容
第2章 電機軸承故障機理及壓縮采樣原理
    2.1 電機軸承故障機理
    2.2 壓縮感知基本理論
    2.3 壓縮采樣模型
    2.4 故障診斷總體方案
    2.5 本章小結
第3章 基于移不變K-SVD字典學習的信號重構
    3.1 移不變字典的基本結構
    3.2 移不變K-SVD字典學習算法
        3.2.1 稀疏系數更新階段
        3.2.2 基函數更新階段
    3.3 小波包閾值降噪
    3.4 仿真分析
        3.4.1 實驗數據來源
        3.4.2 字典學習仿真
        3.4.3 重構信號仿真分析
    3.5 本章小結
第4章 重構信號的特征提取
    4.1 基于CEEMDAN的特征提取方法
        4.1.1 經驗模態(tài)分解基本原理
        4.1.2 CEEMDAN改進算法原理
        4.1.3 模態(tài)分量特征提取
        4.1.4 仿真分析
    4.2 基于基函數能量特征指標的特征提取方法
        4.2.1 基函數能量特征
        4.2.2 Relief F特征選擇算法
        4.2.3 仿真分析
    4.3 本章小結
第5章 故障診斷模型的建立及系統(tǒng)整體測試
    5.1 支持向量機分類模型
        5.1.1 基礎理論
        5.1.2 核函數類型及其影響
    5.2 粒子群優(yōu)化方法
    5.3 實驗驗證
        5.3.1 故障診斷模型仿真實驗方案
        5.3.2 單一故障類型仿真實驗
        5.3.3 不同負載診斷仿真實驗
        5.3.4 復合故障診斷仿真實驗
    5.4 本章小結
結論及展望
參考文獻
攻讀碩士期間發(fā)表的論文及其他成果
致謝



本文編號：3050672