本文關(guān)鍵詞：航空發(fā)動(dòng)機(jī)中介軸承故障診斷方法研究

  更多相關(guān)文章： 滾動(dòng)軸承 相空間重構(gòu) 流形學(xué)習(xí) 極限學(xué)習(xí)機(jī) 故障診斷

【摘要】：航空發(fā)動(dòng)機(jī)是航空系統(tǒng)不可或缺的一部分,它直接決定著該系統(tǒng)的整體性能,由于其長(zhǎng)期運(yùn)行在各種復(fù)雜的環(huán)境中,因此航空發(fā)動(dòng)機(jī)對(duì)安全性和可靠性的要求比較高。中介軸承作為支撐航空發(fā)動(dòng)機(jī)高、低壓轉(zhuǎn)子間的核心部位,一旦其出現(xiàn)微小變故將會(huì)引起轉(zhuǎn)子的振動(dòng)幅度加大,甚至造成轉(zhuǎn)子瞬間停轉(zhuǎn)進(jìn)而導(dǎo)致機(jī)械系統(tǒng)出現(xiàn)停運(yùn)現(xiàn)象。因此對(duì)航空發(fā)動(dòng)機(jī)中介軸承故障診斷方法的研究一方面可以保證飛行器在運(yùn)行過(guò)程中的穩(wěn)定性,另一方面也可以降低故障發(fā)生,減少經(jīng)濟(jì)損失。目前對(duì)中介軸承相關(guān)信號(hào)的診斷研究相對(duì)較少,較常見(jiàn)的是在采集振動(dòng)信號(hào)的基礎(chǔ)上進(jìn)行算法的分析與判定。與一般的滾動(dòng)軸承信號(hào)有所差異,從加速度傳感器中采集得到的中介軸承信號(hào)由于受到周?chē)叩蛪恨D(zhuǎn)子的不平衡響應(yīng)的影響,并且通過(guò)較長(zhǎng)路徑的傳輸,使所得信號(hào)中含有大量的背景噪聲,因此一般分析方法不容易從淹沒(méi)的信號(hào)中找到有效的軸承故障頻率。本文從實(shí)際出發(fā),對(duì)航空發(fā)動(dòng)機(jī)中介軸承從前期信號(hào)預(yù)處理、特征參數(shù)集構(gòu)建及優(yōu)化和智能模式識(shí)別幾個(gè)方面展開(kāi)研究。在前期信號(hào)預(yù)處理方面,本文從相空間重構(gòu)思想出發(fā)引入c-c算法,并對(duì)這種算法的不足加以改進(jìn)。鑒于中介軸承信號(hào)本身復(fù)雜易受干擾的特性,文中在深入研究相空間理論的基礎(chǔ)上建立了一種重構(gòu)信號(hào)去噪方法。’首先把采集的低維數(shù)字信號(hào)用改進(jìn)的C.C算法重構(gòu)在多維的相空間中表示出來(lái),然后用流形識(shí)別算法發(fā)現(xiàn)該數(shù)據(jù)空間的主要組成結(jié)構(gòu),并通過(guò)主流形重構(gòu)來(lái)恢復(fù)數(shù)據(jù)以達(dá)到降噪的效果。同時(shí),文中也從高維的相空間中采集得到初始的故障信號(hào)特征值,這種特征對(duì)故障信號(hào)的表達(dá)更加有效。在特征參數(shù)集構(gòu)建及優(yōu)化方面,本文首先從相空間中利用奇異值分解提取出初始特征集,然后進(jìn)行特征集約簡(jiǎn)。本文采用流形學(xué)習(xí)中非線性約簡(jiǎn)方法局部線性嵌入(Locally Linear Embedding,LLE),針對(duì)中介軸承數(shù)據(jù)的特點(diǎn)將LLE算法改進(jìn)為基于非線性監(jiān)督距離的NSLLE算法,降維效果明顯優(yōu)于核主元分析(Kernel Principal Component Analysis,KPCA)以及其他的流形學(xué)習(xí)算法。此外,提出了R-NSLLE方法,通過(guò)自定義基于測(cè)地距離的判別公式尋找NSLLE算法中的近鄰參數(shù),避免了選擇的隨機(jī)性以及不斷試驗(yàn)造成的不準(zhǔn)確性；同時(shí)利用Treelets變換進(jìn)一步對(duì)R-NSLLE參數(shù)優(yōu)化,估計(jì)出降維算法中最優(yōu)的本征維數(shù)。最后在智能模式識(shí)別方面,本文選擇了訓(xùn)練時(shí)間短、泛化能力強(qiáng)的極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)算法。文中將ELM算法改進(jìn)為半監(jiān)督的ELM,可以綜合實(shí)際數(shù)據(jù)特征靈活調(diào)整帶標(biāo)簽數(shù)據(jù)與不帶標(biāo)簽數(shù)據(jù)的比例進(jìn)行訓(xùn)練與測(cè)試以增加故障識(shí)別模型的實(shí)用性。同時(shí)將在線增量ELM應(yīng)用其中,提出在線半監(jiān)督極限學(xué)習(xí)機(jī)OS-SSELM,實(shí)現(xiàn)中介軸承振動(dòng)數(shù)據(jù)的實(shí)時(shí)處理和在線分析判斷。在整個(gè)研究過(guò)程中將理論與實(shí)驗(yàn)數(shù)據(jù)相結(jié)合,充分證明文中所研究方法的有效性,對(duì)現(xiàn)代發(fā)動(dòng)機(jī)中介軸承的故障診斷具有一定的研究意義。
【關(guān)鍵詞】：滾動(dòng)軸承 相空間重構(gòu) 流形學(xué)習(xí) 極限學(xué)習(xí)機(jī) 故障診斷
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：V263.6
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-21
• 1.1 課題來(lái)源及意義15-16
• 1.2 航空發(fā)動(dòng)機(jī)軸承故障診斷研究現(xiàn)狀及發(fā)展趨勢(shì)16-17
• 1.3 論文主要內(nèi)容以及創(chuàng)新點(diǎn)17-19
• 1.4 論文結(jié)構(gòu)安排19-21
• 第二章 中介軸承振動(dòng)信號(hào)特征及其故障形式21-27
• 2.1 航空發(fā)動(dòng)機(jī)中介軸承振動(dòng)信號(hào)主要特點(diǎn)21-22
• 2.2 中介軸承故障模型22-24
• 2.2.1 中介軸承故障機(jī)理22-23
• 2.2.2 中介軸承故障模型23-24
• 2.3 中介軸承信號(hào)特征頻率24-26
• 2.3.1 一般軸承特征頻率24-25
• 2.3.2 中介軸承特征頻率25-26
• 2.4 本章小結(jié)26-27
• 第三章 基于相空間重構(gòu)的軸承信號(hào)處理27-45
• 3.1 相空間重構(gòu)原理及方法27-30
• 3.1.1 相空間重構(gòu)理論27-28
• 3.1.2 時(shí)間延遲的選擇方法28-29
• 3.1.3 嵌入維數(shù)的選擇方法29
• 3.1.4 小結(jié)29-30
• 3.2 改進(jìn)C-C算法相空間重構(gòu)30-35
• 3.2.1 C-C算法理論30-31
• 3.2.2 改進(jìn)C-C算法31-32
• 3.2.3 實(shí)驗(yàn)驗(yàn)證和分析32-34
• 3.2.4 小結(jié)34-35
• 3.3 相空間重構(gòu)應(yīng)用于軸承的信號(hào)處理35-44
• 3.3.1 基于相空間主流形重構(gòu)的信號(hào)去噪方法37-40
• 3.3.2 基于相空間奇異值分解的信號(hào)特征提取40-43
• 3.3.3 小結(jié)43-44
• 3.4 本章小結(jié)44-45
• 第四章 基于流形學(xué)習(xí)的量?jī)?yōu)參數(shù)集構(gòu)建及評(píng)價(jià)45-69
• 4.1 流形學(xué)習(xí)方法概述與應(yīng)用45-50
• 4.1.1 流形學(xué)習(xí)基本原理45
• 4.1.2 流形學(xué)習(xí)典型算法介紹45-48
• 4.1.3 流形學(xué)習(xí)算法應(yīng)用48
• 4.1.4 實(shí)驗(yàn)驗(yàn)證和分析48-50
• 4.1.5 小結(jié)50
• 4.2 基于非線性監(jiān)督的局部線性嵌入算法(NSLLE)的特征集約簡(jiǎn)50-59
• 4.2.1 局部線性嵌入算法(LLE)50-52
• 4.2.2 非線性監(jiān)督的局部線性嵌入算法(NSLLE)52-53
• 4.2.3 改進(jìn)的非線性監(jiān)督的局部線性嵌入算法(R-NSLLE)53-54
• 4.2.4 實(shí)驗(yàn)驗(yàn)證與分析54-58
• 4.2.5 小結(jié)58-59
• 4.3 基于Treelets優(yōu)化流形學(xué)習(xí)59-63
• 4.3.1 Treelets算法基本原理59-60
• 4.3.2 改進(jìn)的基于譜圖的Treelets算法60-61
• 4.3.3 改進(jìn)的Treelets算法優(yōu)化流形學(xué)習(xí)61-63
• 4.3.4 小結(jié)63
• 4.4 最優(yōu)特征參數(shù)集的評(píng)價(jià)63-68
• 4.5 本章小結(jié)68-69
• 第五章 基于極限學(xué)習(xí)機(jī)的智能故障診斷方法69-81
• 5.1 基于極限學(xué)習(xí)機(jī)(ELM)的智能診斷方法69-73
• 5.1.1 極限學(xué)習(xí)機(jī)的基本思想69-70
• 5.1.2 極限學(xué)習(xí)機(jī)的算法理論70-71
• 5.1.3 實(shí)驗(yàn)驗(yàn)證和分析71-72
• 5.1.4 小結(jié)72-73
• 5.2 基于正則優(yōu)化的半監(jiān)督極限學(xué)習(xí)機(jī)(Semi-Supervised ELM)73-78
• 5.2.1 半監(jiān)督極限學(xué)習(xí)機(jī)的改進(jìn)思想73
• 5.2.2 半監(jiān)督極限學(xué)習(xí)機(jī)的算法理論73-74
• 5.2.3 實(shí)驗(yàn)驗(yàn)證和分析74-77
• 5.2.4 小結(jié)77-78
• 5.3 基于極限學(xué)習(xí)機(jī)的在線半監(jiān)督診斷方法(OS-SSELM)78-80
• 5.3.1 在線極限學(xué)習(xí)機(jī)基本原理78-79
• 5.3.2 實(shí)驗(yàn)驗(yàn)證和分析79
• 5.3.3 小結(jié)79-80
• 5.4 本章小結(jié)80-81
• 第六章 結(jié)論與展望81-83
• 6.1 研究成果總結(jié)81
• 6.2 后續(xù)工作展望81-83
• 參考文獻(xiàn)83-87
• 致謝87-89
• 研究成果及發(fā)表的學(xué)術(shù)論文89-91
• 作者和導(dǎo)師簡(jiǎn)介91-93
• 北京化工大學(xué)碩士研究生學(xué)位論文答辯委員會(huì)決議書(shū)93-94

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 周俊;劉峻華;楊濤;郭盛;黃樹(shù)紅;;航空發(fā)動(dòng)機(jī)在線振動(dòng)監(jiān)測(cè)系統(tǒng)的開(kāi)發(fā)[J];計(jì)算機(jī)測(cè)量與控制;2015年11期

2 王萍;王迪;馮偉;;基于流形正則化的在線半監(jiān)督極限學(xué)習(xí)機(jī)[J];上海交通大學(xué)學(xué)報(bào);2015年08期

3 王曉峰;隨婷婷;;基于TIGA_S4VM改進(jìn)算法的蛋白質(zhì)序列識(shí)別方法[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2014年01期

4 王年;許鴻洋;梁棟;鮑文霞;;基于核局部線性嵌入的基因表達(dá)譜數(shù)據(jù)分類(lèi)[J];生物學(xué)雜志;2014年01期

5 廖明夫;馬振國(guó);劉永泉;王德友;;航空發(fā)動(dòng)機(jī)中介軸承的故障特征與診斷方法[J];航空動(dòng)力學(xué)報(bào);2013年12期

6 康輝英;李明亮;;基于降維BP神經(jīng)網(wǎng)絡(luò)的高維數(shù)據(jù)分類(lèi)研究[J];計(jì)算機(jī)工程與應(yīng)用;2013年20期

7 何鵬;周德云;黃吉傳;;利用互信息確定延遲時(shí)間的新算法[J];計(jì)算機(jī)工程與應(yīng)用;2013年24期

8 李業(yè)波;李秋紅;王健康;黃向華;趙永平;;基于ImOS-ELM的航空發(fā)動(dòng)機(jī)傳感器故障自適應(yīng)診斷技術(shù)[J];航空學(xué)報(bào);2013年10期

9 邵克勇;蔡苗苗;李鑫;;基于小波分析及奇異值差分譜理論的滾動(dòng)軸承故障診斷[J];制造業(yè)自動(dòng)化;2013年08期

10 謝平;江國(guó)乾;李興林;李小俚;;本征時(shí)間尺度排序熵及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J];燕山大學(xué)學(xué)報(bào);2013年02期

，

本文編號(hào)：1089962