本文關鍵詞：航空發(fā)動機主軸軸承故障診斷方法研究

  更多相關文章： 滾動軸承 故障診斷 ITD算法 特征參數(shù)構建 模式識別

【摘要】：主軸軸承是航空發(fā)動機中的關鍵部件,它在很大程度上影響著航空發(fā)動機的運行狀況。由于航空發(fā)動機主軸軸承長時間工作在高轉速、高溫度的惡劣環(huán)境之下,因而它也是航空發(fā)動機中最容易出現(xiàn)損傷的零件之一。航空發(fā)動機作為航空器的心臟為其提供飛行所需的動力,一旦因為主軸軸承出現(xiàn)損傷而導致發(fā)動機故障,將會嚴重威脅航空器安全平穩(wěn)的飛行甚至造成更大的安全事故。因而,針對航空發(fā)動機主軸軸承展開故障診斷方法研究,對于及時發(fā)現(xiàn)航空發(fā)動機故障確保航空器的安全飛行具有重大意義。對于航空發(fā)動機主軸軸承的故障診斷,本文主要基于軸承振動信號開展了三個方面的理論研究內容：振動信號預處理、故障特征參數(shù)構建、模式識別診斷。在信號預處理方面,針對ITD算法中存在的不足提出了一種基于三次樣條插值和線性變換相混合的擬合方式的改進ITD算法,并用于軸承振動信號的預處理中,通過原始信號的第一個分解分量來進行信號的重構。該方法能夠有效地去除原始信號中的噪聲以及其他頻率成分對診斷過程的干擾,對于故障特征有著顯著的增強作用。在此基礎上還將改進ITD算法與全矢包絡譜技術相結合實現(xiàn)了多通道數(shù)據(jù)故障特征的融合,并將其應用于實際軸承故障診斷中。在特征參數(shù)構建方面,分別構建了三種基本特征參數(shù)類型來表征主軸軸承的運行狀態(tài)：時頻域特征參數(shù)、ITD模糊熵和梅爾倒譜和系數(shù)。為了能夠更加全面準確地描述軸承的故障狀態(tài),構建了包含這三種特征參數(shù)類型在內的混合域特征參數(shù)集,并選用LTSA算法從中提取出敏感性更好、規(guī)律程度更高的最優(yōu)特征參數(shù)矩陣。在模式識別診斷方面,將模型結構簡單、運算效率高效的VPMCD算法應用到航空發(fā)動機主軸軸承故障診斷中,通過實驗結果證明該方法較傳統(tǒng)方法(BP神經(jīng)網(wǎng)絡、SVM算法)在識別準確率、運算效率方面的優(yōu)勢。同時,對于VPMCD方法中預測模型不穩(wěn)定的情況,采用PCA算法對預測模型方程的求解過程進行了優(yōu)化,提高了預測模型的準確度以及對于軸承故障類型的識別準確率。最后,將理論成果應用于工程實際中,實現(xiàn)了一套簡易的航空發(fā)動機主軸軸承故障診斷平臺。對該診斷平臺的數(shù)據(jù)庫以及軟件界面進行了設計開發(fā),通過對該診斷平臺中各模塊功能的調試結果,說明了該故障診斷平臺具有一定的實用價值。
【關鍵詞】：滾動軸承 故障診斷 ITD算法 特征參數(shù)構建 模式識別
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V263.6
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-23
• 1.1 課題背景及意義15-16
• 1.2 航空發(fā)動機主軸軸承故障診斷的現(xiàn)狀和發(fā)展趨勢16-17
• 1.3 滾動軸承的故障概述17-19
• 1.4 論文的主要內容及創(chuàng)新點19-20
• 1.5 論文的結構安排20-23
• 第二章 基于改進ITD算法的信號預處理方法研究23-45
• 2.1 固有時間尺度分解算法及改進方法23-26
• 2.1.1 ITD原理及其存在的問題23-25
• 2.1.2 ITD改進方法25-26
• 2.1.3 小結26
• 2.2 基于改進ITD算法的信號預處理方法26-36
• 2.2.1 信號預處理方法原理及在軸承故障診斷中的應用26-28
• 2.2.2 實驗驗證分析28-35
• 2.2.3 小結35-36
• 2.3 基于全矢包絡譜的信號處理方法研究36-43
• 2.3.1 全矢譜技術的基礎36-38
• 2.3.2 基于改進ITD和全矢包絡譜的數(shù)據(jù)融合故障診斷方法38-39
• 2.3.3 實驗驗證分析39-42
• 2.3.4 小結42-43
• 2.4 本章小結43-45
• 第三章 故障特征參數(shù)的構建45-67
• 3.1 時頻域特征參數(shù)45-47
• 3.1.1 時域特征參數(shù)45-47
• 3.1.2 頻域特征參數(shù)47
• 3.2 模糊熵47-55
• 3.2.1 模糊熵的基本原理47-49
• 3.2.2 ITD模糊熵49-50
• 3.2.3 實驗驗證和分析50-54
• 3.2.4 小結54-55
• 3.3 梅爾倒譜和系數(shù)55-60
• 3.3.1 梅爾倒譜系數(shù)簡介55-56
• 3.3.2 梅爾倒譜和系數(shù)的構造56-57
• 3.3.3 實驗驗證和分析57-60
• 3.3.4 小結60
• 3.4 基于LTSA算法的最優(yōu)特征參數(shù)矩陣的構建60-65
• 3.4.1 LTSA算法概述60-62
• 3.4.2 基于LTSA的最優(yōu)特征參數(shù)矩陣的構建方法62
• 3.4.3 實驗驗證和分析62-65
• 3.4.4 小結65
• 3.5 本章小結65-67
• 第四章 基于VPMCD的故障診斷方法研究67-79
• 4.1 基于VPMCD算法的故障識別診斷67-72
• 4.1.1 VPMCD算法的基本原理67-69
• 4.1.2 VPMCD算法在軸承故障診斷中的應用69
• 4.1.3 實驗驗證與分析69-72
• 4.1.4 小結72
• 4.2 基于改進VPMCD算法的故障識別診斷72-78
• 4.2.1 PCA算法簡介72-73
• 4.2.2 PCA算法改進的VPMCD算法73-74
• 4.2.3 實驗驗證與分析74-77
• 4.2.4 小結77-78
• 4.3 本章小結78-79
• 第五章 主軸軸承故障診斷平臺的實現(xiàn)79-89
• 5.1 故障診斷系統(tǒng)平臺的總體設計79-80
• 5.2 故障診斷系統(tǒng)數(shù)據(jù)庫的設計80-82
• 5.3 故障診斷平臺軟件設計開發(fā)82-87
• 5.4 本章小結87-89
• 第六章 結論與展望89-91
• 6.1 研究成果總結89-90
• 6.2 后續(xù)工作展望90-91
• 參考文獻91-95
• 致謝95-97
• 研究成果及發(fā)表的學術論文97-99
• 作者和導師簡介99-100
• 附件100-101

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 袁洪芳;秦桂林;王華慶;;基于MFCCS和改進VPMCD的滾動軸承故障診斷[J];測控技術;2016年04期

2 馬益書;黃亞宇;吳政;;基于包絡分析的滾動軸承故障診斷研究[J];機械與電子;2016年01期

3 單燕;李玲娟;孫杜靖;;基于主成分分析的并行化數(shù)據(jù)流降維算法研究[J];南京郵電大學學報(自然科學版);2015年05期

4 秦桂林;袁洪芳;王華慶;;改進ITD和Hilbert包絡譜的滾動軸承故障診斷[J];設備管理與維修;2015年S2期

5 楊望燦;張培林;王懷光;陳彥龍;孫也尊;;基于EEMD的多尺度模糊熵的齒輪故障診斷[J];振動與沖擊;2015年14期

6 樊巍;傅攀;鄭晴晴;;基于DHMM的滾動軸承故障診斷[J];機械工程與自動化;2015年04期

7 張鵬林;孔鵬;張，

本文編號：672644