低溫高速滾動(dòng)軸承在運(yùn)轉(zhuǎn)過程中,常受各種背景噪聲干擾。當(dāng)軸承中存在早期弱故障時(shí),故障特征常會(huì)被強(qiáng)噪聲掩蓋,致使難以獲取故障特征。因此采用有效的診斷技術(shù)和方法,分析軸承振動(dòng)數(shù)據(jù),提取故障特征進(jìn)而判別故障位置,對(duì)提高液體火箭安全可靠運(yùn)行具有重要意義。本論文以“低溫高速滾動(dòng)軸承振動(dòng)信號(hào)”為研究對(duì)象,使用完全噪聲輔助經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Nosie,CEEMDAN）作為信號(hào)分析方法,使用支持向量機(jī)（Support Vector Machine,SVM）作為分類識(shí)別方法,主要研究?jī)?nèi)容包括信號(hào)降噪、特征值提取和識(shí)別軸承運(yùn)行狀態(tài)三個(gè)方面。具體如下:（1）針對(duì)軸承早期弱故障易被噪聲掩蓋的問題和軸承振動(dòng)信號(hào)的非線性非平穩(wěn)特性,引入經(jīng)驗(yàn)?zāi)B(tài)分解（Empirieal Mode Decomposition,EMD）,研究了 EMD間隔閾值降噪方法。針對(duì)EMD算法中存在的模態(tài)混疊問題,研究提出一種改進(jìn)CEEMDAN間隔閾值降噪算法,CEEMDAN算法能較好地減弱模態(tài)混疊現(xiàn)象,有效提高降噪方法的性能。針... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文框架

圖２－１?—個(gè)典型的ＩＭＦ分量??Ｆｉｇ２－１?Ａ?ｔｙｐｉｃａｌ?ＩＭＦ?ｃｏｍｐｏｎｅｎｔ??２．１．２?ＥＭＤ?算法??特征模態(tài)函數(shù)概念的提出賦予了瞬時(shí)頻率實(shí)際意義，ＥＭＤ算法將實(shí)際復(fù)雜信??號(hào)分解為特征模態(tài)函數(shù)，使得瞬時(shí)頻率可以應(yīng)用于實(shí)際的非平穩(wěn)非線性信號(hào)中。??ＥＭＤ算法分解建立在三個(gè)假設(shè)之下：??（１）信號(hào)至少具有一個(gè)極大值點(diǎn)和一個(gè)極小值點(diǎn)；??（２）特征時(shí)間尺度由相鄰極值點(diǎn)間的時(shí)間間隔定義；??（３）如果信號(hào)在整個(gè)時(shí)間段內(nèi)只有拐點(diǎn)而不包含極值點(diǎn)，則可以對(duì)信號(hào)進(jìn)行??一次或多次微分來找到極值點(diǎn)，最后將最終的ＩＭＦ分量進(jìn)行積分得到相應(yīng)分量。??ＥＭＤ分解過程類似一個(gè)“篩子”：基于數(shù)據(jù)信號(hào)的局部特征時(shí)間尺度，將高??頻至低頻的ＩＭＦ分量依次篩選出來。ＥＭＤ算法流程圖如圖２－２所示，ＥＭＤ分解??步驟描述如下：??

?（２－１４）??�。┯煞挡煌㈩l率分別為７０Ｈｚ、３０Ｈｚ和１０Ｈｚ的正弦周期信號(hào)相加而成，??它的時(shí)域圖如圖２－３所示。使用ＥＭＤ算法對(duì)進(jìn)行分解，分解結(jié)果如圖２－４所??示。圖中看出，ＥＭＤ能將３個(gè)頻率成分有效地分解開，ＩＭＦ１是頻率為７０Ｈｚ的正??弦周期信號(hào)，其是合成信號(hào)中的最高頻成分；ＩＭＦ２是頻率為３０Ｈｚ的正弦周??期信號(hào)，其是合成信號(hào)信號(hào)�。┲械闹蓄l成分；ＩＭＦ３是頻率為１０Ｈｚ的正弦周期??信號(hào)，其是合成信號(hào)５（ｆ）中的低頻成分。從圖中例子可以看出，ＥＭＤ分解能自適??應(yīng)地將信號(hào)分解成從高頻到低頻的有限個(gè)ＩＭＦ分量。圖中也可以看出，ＥＭＤ分解??后的信號(hào)中亦存在虛假頻率ＩＭＦ４、ＩＭＦ５和殘差Ｒｅｓ。??１３??

【參考文獻(xiàn)】：
期刊論文
[1]EWT算法在ECG信號(hào)濾波中的研究[J]. 劉春,謝皓,肖奕霖,鄧傳遠(yuǎn).  電子測(cè)量與儀器學(xué)報(bào). 2017(11)
[2]TT變換結(jié)合計(jì)算階比跟蹤的滾動(dòng)軸承時(shí)變微弱故障特征提取[J]. 唐貴基,龐彬.  中國電機(jī)工程學(xué)報(bào). 2017(20)
[3]基于小波包神經(jīng)網(wǎng)絡(luò)分析的滾動(dòng)軸承故障診斷[J]. 趙潔,張?bào)@雷.  天津理工大學(xué)學(xué)報(bào). 2017(04)
[4]變分模態(tài)分解與神經(jīng)網(wǎng)絡(luò)結(jié)合的軸承故障診斷[J]. 楊洪柏,張宏利,蔣超,劉樹林.  機(jī)械設(shè)計(jì)與制造. 2017(06)
[5]基于復(fù)合多尺度熵與拉普拉斯支持向量機(jī)的滾動(dòng)軸承故障診斷方法[J]. 代俊習(xí),鄭近德,潘海洋,潘紫微.  中國機(jī)械工程. 2017(11)
[6]基于雙樹復(fù)小波和自適應(yīng)權(quán)重和時(shí)間因子的粒子群優(yōu)化支持向量機(jī)的軸承故障診斷[J]. 張淑清,胡永濤,姜安琦,吳迪,陸超,姜萬錄.  中國機(jī)械工程. 2017(03)
[7]基于EEMD和自相關(guān)函數(shù)峰態(tài)系數(shù)的軸承故障診斷方法[J]. 劉永強(qiáng),李翠省,廖英英.  振動(dòng)與沖擊. 2017(02)
[8]改進(jìn)LSSVM遷移學(xué)習(xí)方法的軸承故障診斷[J]. 陳超,沈飛,嚴(yán)如強(qiáng).  儀器儀表學(xué)報(bào). 2017(01)
[9]滾動(dòng)軸承復(fù)合故障診斷的自適應(yīng)方法研究[J]. 馬新娜,楊紹普.  振動(dòng)與沖擊. 2016(10)
[10]國外火箭發(fā)射及故障情況統(tǒng)計(jì)分析[J]. 曲晶,張綠云.  中國航天. 2016(02)

博士論文
[1]齒輪箱振動(dòng)特性分析與智能故障診斷方法研究[D]. 何俊.浙江大學(xué) 2018
[2]基于單類學(xué)習(xí)的異常檢測(cè)方法及其重型裝備狀態(tài)識(shí)別應(yīng)用[D]. 李楠.上海交通大學(xué) 2014
[3]新一代大推力液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷關(guān)鍵技術(shù)研究[D]. 李艷軍.國防科學(xué)技術(shù)大學(xué) 2014
[4]基于振動(dòng)信號(hào)的機(jī)械故障特征提取與診斷研究[D]. 趙志宏.北京交通大學(xué) 2012
[5]希爾伯特—黃變換局瞬信號(hào)分析理論的研究[D]. 鐘佑明.重慶大學(xué) 2002

碩士論文
[1]基于EMD與SVM的航空發(fā)動(dòng)機(jī)轉(zhuǎn)子系統(tǒng)故障診斷[D]. 栗祥.西安工業(yè)大學(xué) 2017
[2]基于EEMD和最小二乘支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究[D]. 邵海賀.長春工業(yè)大學(xué) 2016
[3]基于改進(jìn)HHT與SVM的滾動(dòng)軸承故障診斷方法研究[D]. 王德麗.北京交通大學(xué) 2016
[4]光子計(jì)數(shù)激光雷達(dá)信號(hào)的EMD降噪方法研究[D]. 祁曉云.南京理工大學(xué) 2016
[5]基于小波降噪和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷[D]. 徐明林.哈爾濱工業(yè)大學(xué) 2013
[6]基于小波變換和神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷研究[D]. 呂宣哲.南京航空航天大學(xué) 2012



本文編號(hào)：3599968