航空發(fā)動機作為航空器動力源泉,由各種復雜旋轉(zhuǎn)機械構(gòu)成,其承擔著保證飛行器平穩(wěn)飛行的重要任務。作為航空發(fā)動機核心的航空發(fā)動機轉(zhuǎn)子系統(tǒng),在高溫、高壓等條件下很容易由復雜振動導致轉(zhuǎn)子系統(tǒng)故障,造成飛行事故。因此進行航空發(fā)動機轉(zhuǎn)子系統(tǒng)早期故障診斷方法研究,對保障航空器的安全以及平穩(wěn)飛行具有重要意義。由于航空發(fā)動機轉(zhuǎn)子早期振動故障的特征信號十分微弱并且淹沒在強噪聲環(huán)境中,使得故障特征信息難以提取。針對此問題,本文研究內(nèi)容包括:（1）詳細介紹了航空發(fā)動機轉(zhuǎn)子常見故障類型并對其進行分析,分析了經(jīng)驗小波變換（EWT）的理論及其局限性,提出一種改進的經(jīng)驗小波變換方法并證明了其對比原始經(jīng)驗小波變換的優(yōu)越性。（2）提出由時域和頻域特征集、AR模型系數(shù)特征集和功率譜熵特征集構(gòu)建混合域高維故障特征集的方法來從多個方面更全面的反映故障的性質(zhì),并將改進經(jīng)驗小波變換與混合域特征集相結(jié)合,結(jié)合線性局部切空間排列（LLTSA）的流形學習算法對高維故障特征集進行低維流形重構(gòu)實現(xiàn)故障特征融合約簡,提出改進EWT混合域特征集-LLTSA的特征提取方法。（3）采用支持向量機（SVM）對特征提取結(jié)果進行故障分類實現(xiàn)航空發(fā)動機轉(zhuǎn)子的... 

【文章來源】：河南工業(yè)大學河南省

【文章頁數(shù)】：86 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外發(fā)展現(xiàn)狀
    1.3 本課題主要研究內(nèi)容和章節(jié)安排
2 轉(zhuǎn)子系統(tǒng)常見故障分析和改進經(jīng)驗小波變換方法
    2.1 引言
    2.2 航空發(fā)動機轉(zhuǎn)子常見故障分析
        2.2.1 轉(zhuǎn)子系統(tǒng)振動的基本原理
        2.2.2 轉(zhuǎn)子常見故障分析
    2.3 經(jīng)驗小波變換的原理及其局限性
        2.3.1 經(jīng)驗小波變換
        2.3.2 經(jīng)驗小波變換的局限性
    2.4 經(jīng)驗小波變換的改進方法
    2.5 改進經(jīng)驗小波變換的驗證
    2.6 本章小結(jié)
3 基于改進經(jīng)驗小波變換和流形學習的特征融合方法
    3.1 引言
    3.2 時域和頻域特征集
    3.3 AR模型系數(shù)特征集
    3.4 功率譜熵特征集
    3.5 線性局部切空間排列
        3.5.1 流形學習簡介
        3.5.2 LLTSA理論基礎
        3.5.3 LLTSA算法
    3.6 改進EWT混合域特征集-LLTSA的特征提取模型
    3.7 本章小結(jié)
4 改進EWT混合域特征集-LLTSA-SVM的轉(zhuǎn)子系統(tǒng)故障診斷
    4.1 引言
    4.2 支持向量機
        4.2.1 支持向量機簡介
        4.2.2 基于支持向量機的故障診斷模型
        4.2.3 支持向量機原理
        4.2.4 SVM的最優(yōu)分類面
        4.2.5 SVM的核函數(shù)
        4.2.6 SVM的多類分類方法
        4.2.7 LibSVM簡介
    4.3 數(shù)據(jù)來源及實驗數(shù)據(jù)參數(shù)選擇
    4.4 故障診斷結(jié)果及對比分析
        4.4.1 改進EWT混合域特征集-LLTSA-SVM的故障診斷模型
        4.4.2 改進EWT混合域特征集-LLTSA-SVM模型結(jié)果分析
        4.4.3 故障診斷模型對比分析
    4.5 本章小結(jié)
5 航空發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷的GUI設計
    5.1 引言
    5.2 Matlab及 GUI簡介
    5.3 GUI的設計原則及流程
    5.4 故障診斷系統(tǒng)的界面設計及測試
        5.4.1 故障診斷系統(tǒng)的界面介紹
        5.4.2 運行測試
    5.5 本章小結(jié)
結(jié)論與展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于經(jīng)驗模態(tài)分解和深度卷積神經(jīng)網(wǎng)絡的行星齒輪箱故障診斷方法[J]. 胡蔦慶,陳徽鵬,程哲,張倫,張宇.  機械工程學報. 2019(07)
[2]基于EEMD小波閾值去噪和CS-BP神經(jīng)網(wǎng)絡的風電齒輪箱故障診斷[J]. 王紅君,趙元路,趙輝,岳有軍.  機械傳動. 2019(01)
[3]基于廣義復合多尺度排列熵與PCA的滾動軸承故障診斷方法[J]. 鄭近德,劉濤,孟瑞,劉慶運.  振動與沖擊. 2018(20)
[4]基于EEMD和DT-CWT的滾動軸承在非穩(wěn)定運行時的故障診斷研究[J]. 邢義通,顧欣然,王朝閣,張玉皓,胡志芳.  煤礦機械. 2018(10)
[5]基于LMD-MS的滾動軸承微弱故障提取方法[J]. 王志堅,吳文軒,馬維金,張紀平,王俊元,李偉偉.  振動.測試與診斷. 2018(05)
[6]基于WT與cICA的齒輪箱低頻故障特征提取[J]. 冷軍發(fā),王志陽,陳會濤,荊雙喜.  機械強度. 2018(05)
[7]LMD支持向量機電機軸承故障診斷研究[J]. 尹召杰,許同樂,鄭店坤.  哈爾濱理工大學學報. 2018(05)
[8]Matlab GUI小波神經(jīng)網(wǎng)絡回轉(zhuǎn)窯故障診斷[J]. 谷雨,艾紅,王輝.  北京信息科技大學學報(自然科學版). 2018(04)
[9]近年來民航事故統(tǒng)計分析[J]. 劉雨行,侯麗娜.  信息記錄材料. 2018(09)
[10]EEMD與NRS在渦槳發(fā)動機轉(zhuǎn)子故障診斷中的應用[J]. 丁鋒,栗祥,韓帥.  航空動力學報. 2018(06)

博士論文
[1]基于信息熵的實時信號測量技術及其應用研究[D]. 蔣俊.電子科技大學 2017
[2]基于流形學習的旋轉(zhuǎn)機械早期故障融合診斷方法研究[D]. 馬婧華.重慶大學 2015
[3]基于流形學習的風電機組傳動系統(tǒng)故障診斷方法研究[D]. 李鋒.重慶大學 2011
[4]基于流形學習的旋轉(zhuǎn)機械故障診斷方法研究[D]. 王廣斌.中南大學 2010
[5]流形學習理論與算法研究[D]. 孫明明.南京理工大學 2007

碩士論文
[1]基于傅里葉分解算法的航空發(fā)動機轉(zhuǎn)子碰摩故障診斷研究[D]. 劉洋.南昌航空大學 2018
[2]轉(zhuǎn)子系統(tǒng)盤軸松動故障振動特性研究[D]. 劉杰.南昌航空大學 2018
[3]經(jīng)驗小波變換和支持向量機在滾動軸承故障診斷中的應用研究[D]. 栗蘊琦.西南交通大學 2018
[4]轉(zhuǎn)子振動信號的故障特征提取方法研究[D]. 李霽蒲.蘭州理工大學 2018
[5]基于Labeled-LDA的列控車載設備故障特征提取與診斷方法研究[D]. 胡福威.北京交通大學 2018
[6]工程機械液壓油缸壓力信號分析及故障診斷系統(tǒng)設計[D]. 賈志奇.石家莊鐵道大學 2017
[7]基于EMD與SVM的航空發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷[D]. 栗祥.西安工業(yè)大學 2017
[8]基于多特征量提取和極限學習機的軸承故障診斷方法研究[D]. 李亞卓.昆明理工大學 2017
[9]航空發(fā)動機典型故障監(jiān)測方法研究[D]. 劉宏偉.沈陽航空航天大學 2017
[10]基于雙子支持向量機的航空發(fā)動機故障診斷[D]. 杜彥斌.南京航空航天大學 2017



本文編號：3049677