本文關鍵詞：基于振動信號分析的轉子故障診斷方法研究

  更多相關文章： 故障診斷 小波 經驗模態(tài)分解 特征提取 BP神經網絡 支持向量機

【摘要】：旋轉機械是最常用的機械設備之一，如汽輪機、航空發(fā)動機、發(fā)電機等。轉子工作時往往伴隨著高轉速和復雜工況，容易產生各種故障，一旦故障發(fā)生，將帶來重大安全隱患和經濟損失，因此，加強對轉子故障診斷的研究，防患于未然，具有十分重要的意義。轉子發(fā)生故障的重要特征是機器伴有異常的振動，，其振動信號能夠從時域或頻域實時地反應機器的故障信息，本文對基于振動信號分析的轉子故障診斷方法進行了研究，主要研究工作包括： （1）研究了常見轉子故障的機理，總結了各類故障的振動特性和頻譜特性；通過ZT-3轉子實驗臺對轉子不平衡、不對中、支座松動以及碰摩等典型故障進行了實驗仿真。 （2）對連續(xù)小波變換、多分辨率分析和小波包等理論進行了研究；運用傅里葉分析、小波時頻等高圖等方法對實驗信號進行了頻域分析和時頻分析；對基于小波分析的信號消噪方法進行了研究，采用Donoho閾值估計和軟閾值法對實驗信號進行了消噪處理。 （3）對振動信號的故障特征提取方法進行了研究，總結了利用小波包分析進行故障特征提取的方法和步驟，運用小波包能量法進行了常見故障特征提��；針對小波包不具有自適應性的缺點，提出了一種根據(jù)轉子轉速調整采樣頻率，從而實現(xiàn)自動提取故障特征的新方法，該方法大大簡化了小波包選擇過程，較好地統(tǒng)一了同種故障在不同轉速下的故障特征；介紹了樣本熵理論，計算了實驗信號的樣本熵，最后運用小波包和樣本熵相結合的方法，解決了樣本熵方法不平衡故障和正常狀態(tài)下特征混疊的問題；針對小波分析不具有自適應性的缺點，研究了經驗模態(tài)分解（EMD）方法，對實驗信號進行了經驗模態(tài)分解，并進行了特征分析；最后對經驗模態(tài)分解方法和小波分析方法進行了比較分析。 （4）對模式識別方法進行了研究，介紹了神經網絡的基本理論，總結了基于BP神經網絡的模式識別算法和步驟，并運用BP神經網絡對故障特征進行了模式識別；較為詳細地介紹了支持向量機（SVM）理論的原理和算法，運用SVM方法對故障特征進行了訓練和分類；通過變換訓練樣本數(shù)和測試樣本數(shù)的比例，對BP神經網絡和SVM方法的分類效果進行了對比。 （5）研究了MATLAB平臺用戶界面設計的具體實現(xiàn)方法，結合實驗臺獲取的故障信號、小波包能量和小波包樣本熵的特征提取方法以及支持向量機的故障分類方法，設計了一個故障診斷系統(tǒng)，實現(xiàn)了從信號讀取、時頻分析、特征提取到得出故障診斷結論等功能。
【關鍵詞】：故障診斷 小波 經驗模態(tài)分解 特征提取 BP神經網絡 支持向量機
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 注釋表10-11
• 縮略詞11-12
• 第一章 緒論12-19
• 1.1 研究背景及意義12
• 1.2 故障診斷主要研究內容12-13
• 1.2.1 故障機理研究12
• 1.2.2 信號的采集12-13
• 1.2.3 信號處理與特征提取13
• 1.2.4 故障識別方法研究13
• 1.3 國內外研究現(xiàn)狀13-15
• 1.3.1 國外研究現(xiàn)狀13-14
• 1.3.2 國內研究現(xiàn)狀14-15
• 1.4 轉子故障診斷方法15-18
• 1.5 本文主要工作18-19
• 第二章 常見轉子故障機理研究和實驗分析19-33
• 2.1 常見轉子故障的機理研究19-27
• 2.1.1 轉子不平衡19-20
• 2.1.2 轉子不對中20-23
• 2.1.3 支座松動故障23-25
• 2.1.4 動靜碰摩25-27
• 2.2 轉子故障仿真實驗裝置介紹27-29
• 2.3 轉子故障仿真實驗方法和結果29-32
• 2.3.1 故障模擬方法介紹29-30
• 2.3.2 實驗參數(shù)設置30
• 2.3.3 實驗結果30-32
• 2.4 本章小結32-33
• 第三章 故障特征提取方法研究33-62
• 3.1 傅里葉分析方法33-37
• 3.1.1 傅里葉變換基本理論33-34
• 3.1.2 轉子實驗信號的傅里葉分析34-36
• 3.1.3 傅里葉變換的局限性分析36-37
• 3.2 小波分析方法37-54
• 3.2.1 連續(xù)小波變換37-38
• 3.2.2 離散小波變換38-39
• 3.2.3 多分辨率分析39-40
• 3.2.4 小波包分解理論40-41
• 3.2.5 基于小波分析的信號消噪41-43
• 3.2.6 基于小波時頻等高圖的故障診斷方法43-48
• 3.2.7 基于小波包能量法的故障特征提取48-52
• 3.2.8 小波包能量特征提取的自適應方法52-54
• 3.3 樣本熵分析方法54-56
• 3.3.1 樣本熵理論和計算方法54-55
• 3.3.2 樣本熵方法對實驗信號的故障特征提取55-56
• 3.3.3 樣本熵方法局限性分析56
• 3.4 小波包樣本熵分析方法56-57
• 3.5 經驗模態(tài)分解在故障特征提取上的應用57-60
• 3.5.1 經驗模態(tài)分解基本理論57-58
• 3.5.2 基于經驗模態(tài)分解的故障特征提取58-60
• 3.6 小波分析和經驗模態(tài)分解方法的比較分析60-61
• 3.7 本章小結61-62
• 第四章 故障模式識別方法研究62-78
• 4.1 神經網絡法62-66
• 4.1.1 神經網絡方法介紹62-63
• 4.1.2 BP 神經網絡算法63-65
• 4.1.3 基于 BP 神經網絡方法的故障診斷模式識別65-66
• 4.2 支持向量機法66-72
• 4.2.1 統(tǒng)計學習理論66-69
• 4.2.2 支持向量機算法69-72
• 4.2.3 基于支持向量機的故障診斷模式識別72
• 4.3 神經網絡和支持向量機法比較72-73
• 4.4 基于 MATLAB 平臺的故障診斷系統(tǒng)設計73-77
• 4.4.1 MATLAB GUI 設計簡介73
• 4.4.2 轉子故障診斷系統(tǒng)設計73-77
• 4.5 本章小結77-78
• 第五章 總結和展望78-80
• 5.1 總結78-79
• 5.2 展望79-80
• 參考文獻80-84
• 致謝84-85
• 在學期間的研究成果及發(fā)表的學術論文85

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 費成巍;艾延廷;王蕾;李川;;基于支持向量機的航空發(fā)動機整機振動故障診斷技術研究[J];沈陽航空工業(yè)學院學報;2010年02期

2 陳予恕;;機械故障診斷的非線性動力學原理[J];機械工程學報;2007年01期

3 梁平;白蕾;龍新峰;范立莉;;基于小波包分析及神經網絡的汽輪機轉子振動故障診斷[J];控制理論與應用;2007年06期

4 馮毅;王香華;;小波變換降噪處理及其Matlab實現(xiàn)[J];數(shù)據(jù)采集與處理;2006年S1期

5 張緒錦,譚劍波,韓江洪;基于BP神經網絡的故障診斷方法[J];系統(tǒng)工程理論與實踐;2002年06期

6 鄧堰;陳果;;轉子故障信號的小波能量特征自動提取[J];應用科學學報;2007年05期

7 鐘掘,唐華平;高速軋機若干振動問題——復雜機電系統(tǒng)耦合動力學研究[J];振動、測試與診斷;2002年01期

8 聞邦椿;;“振動利用工程”學科近期的發(fā)展[J];振動工程學報;2007年05期

9 何正嘉;訾艷陽;陳雪峰;王曉冬;;內積變換原理與機械故障診斷[J];振動工程學報;2007年05期

10 蔣東翔,刁錦輝,趙鋼,錢立軍;基于時頻等高圖的汽輪發(fā)電機組振動故障診斷方法研究[J];中國電機工程學報;2005年06期

本文編號：1084434