本文關鍵詞：基于改進提升小波的AE信號消噪及在故障診斷中的應用研究　出處：《湖南科技大學》2012年碩士論文　論文類型：學位論文

  更多相關文章： 改進提升小波 旋轉(zhuǎn)機械 聲發(fā)射 信號消噪 特征提取 故障診斷

【摘要】：旋轉(zhuǎn)機械是國民生產(chǎn)中的關鍵核心設備，對其進行監(jiān)測與診斷，保障其安全、可靠運行，對提高企業(yè)的經(jīng)濟效益、促進整個國民經(jīng)濟的發(fā)展有著重要的作用。傳統(tǒng)的監(jiān)測與診斷一般基于振動信號，而振動信號分析法在強噪聲干擾背景下難以準確獲取設備的故障特征信息�；诼暟l(fā)射(AE)信號的監(jiān)測與診斷方法具有靈敏度高、抗噪聲干擾能力強等優(yōu)點，更易于提取可表征設備運行狀態(tài)的特征信息，將其應用于旋轉(zhuǎn)機械故障診斷，可以有效的提高故障診斷的準確率。 本文在分析以滾動軸承為代表的旋轉(zhuǎn)機械聲發(fā)射信號特性的基礎上，針對傳統(tǒng)提升小波的不足，提出了一種適合于旋轉(zhuǎn)機械AE信號的改進提升小波變換方法。研究了基于改進提升小波的旋轉(zhuǎn)機械AE信號消噪方法，并結(jié)合經(jīng)驗模態(tài)分解開展AE信號特征提取、結(jié)合BP神經(jīng)網(wǎng)絡開展AE信號故障識別研究，具體研究工作如下： (1)提出了旋轉(zhuǎn)機械AE信號提升小波改進算法。通過理論分析，結(jié)合實驗研究探明旋轉(zhuǎn)機械聲發(fā)射信號特性，在此基礎上提出改進提升小波，包括分解過程中，引入局部判決函數(shù)，根據(jù)被分析AE信號的局部特征自適應的構(gòu)造更新算子；利用遺傳算法，，對預測算子進行優(yōu)化。重構(gòu)過程中，利用自適應閾值消噪對每一層的AE信號進行消噪，提高了提升小波的自適應消噪性能。 (2)研究了基于改進提升小波的旋轉(zhuǎn)機械AE信號消噪方法。針對自適應閾值消噪公式中參數(shù)p的取值過大或過小都會影響消噪的效果，通過AE仿真信號研究了改進提升小波在AE信號消噪中的最佳參數(shù)值，并用實測的AE信號驗證了改進提升小波比傳統(tǒng)提升小波和小波變換具有更好的消噪性能。 (3)采用改進提升小波和經(jīng)驗模態(tài)分解對旋轉(zhuǎn)機械故障的AE信號進行了特征提取研究。利用改進提升小波對經(jīng)驗模態(tài)分解的AE信號進行消噪處理，然后用相關函數(shù)法求出經(jīng)驗模態(tài)分解后的有效內(nèi)稟模態(tài)函數(shù)，并進行包絡解調(diào)分析，能夠準確提取旋轉(zhuǎn)機械AE信號中的故障特征信息。 (4)結(jié)合改進提升小波和BP神經(jīng)網(wǎng)絡對滾動軸承進行了故障識別研究。將改進提升小波作為BP神經(jīng)網(wǎng)絡的前處理器，對AE信號進行消噪預處理，提取消噪后AE信號的特征參數(shù)作為BP神經(jīng)網(wǎng)絡的輸入量，減少了BP神經(jīng)網(wǎng)絡的訓練步驟，提高了軸承故障識別的準確率。
[Abstract]:The rotating machinery is the key core equipment in the national production . It plays an important role in monitoring and diagnosing it , ensuring the safety and reliable operation of the enterprise . The traditional monitoring and diagnosis is based on the vibration signal , and the vibration signal analysis method has the advantages of high sensitivity and strong anti - noise interference . It is easier to extract the characteristic information which can characterize the running state of the equipment . It can be applied to the fault diagnosis of rotating machinery , which can effectively improve the accuracy of fault diagnosis . On the basis of analyzing the characteristics of the rotating machinery acoustic emission signal represented by the rolling bearing , this paper presents an improved wavelet transform method which is suitable for the rotating mechanical AE signal . Based on the improvement of the wavelet transform method , the AE signal feature extraction is carried out in combination with the empirical mode decomposition , and the AE signal feature extraction is carried out in combination with the BP neural network . The specific research work is as follows : ( 1 ) An improved algorithm for improving the AE signal of a rotating machinery is proposed . Based on the theoretical analysis , the characteristics of the acoustic emission signal of the rotating machinery are investigated by combining the experimental study . On the basis of this , an improved wavelet is proposed , which includes the introduction of a local decision function in the decomposition process , the optimization of the predictive operator based on the local feature of the analyzed AE signal . In the reconstruction process , the adaptive threshold de - noising is used to de - noising each layer of AE signal , which improves the adaptive noise elimination performance of the lifting wavelet . ( 2 ) The method of improving the signal denoising based on the modified lifting wavelet is studied . The optimal parameter value of the wavelet in the noise elimination of AE signal is studied by AE simulation signal . The best parameter value of the wavelet in the noise elimination of AE signal is studied through AE simulation signal . The improved wavelet and wavelet transform are improved with the measured AE signal to improve the noise elimination performance . ( 3 ) An improved wavelet and empirical mode decomposition is used to extract the AE signal of the rotating machinery fault . An improved wavelet is used to denoise the AE signal decomposed by the empirical mode , then the effective intrinsic mode function after the empirical mode decomposition is obtained by the correlation function method , and the envelope demodulation analysis is carried out to accurately extract the fault feature information in the rotating mechanical AE signal . ( 4 ) Combining the improved lifting wavelet and BP neural network to study the fault identification of the rolling bearing , the improved lifting wavelet is used as the front processor of the BP neural network , the noise elimination preprocessing is carried out on the AE signal , the characteristic parameter of the AE signal after canceling noise is taken as the input amount of the BP neural network , the training step of the BP neural network is reduced , and the accuracy of the bearing fault identification is improved .

【學位授予單位】：湖南科技大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TN911.4;TH165.3

【參考文獻】

相關期刊論文 前10條

1 高立新;湯文亮;胥永剛;殷海晨;;基于冗余第二代小波的降噪技術(shù)[J];北京工業(yè)大學學報;2008年12期

2 高立新;殷海晨;張建宇;胥永剛;;第二代小波分析在軸承故障診斷中的應用[J];北京工業(yè)大學學報;2009年05期

3 高立新;吳麗娟;張建宇;;基于EMD解調(diào)方法的齒輪早期故障診斷[J];北京工業(yè)大學學報;2009年07期

4 張立保,王珂;零樹框架下整數(shù)小波圖像編碼的改進[J];電路與系統(tǒng)學報;2003年03期

5 李成;李平;宋執(zhí)環(huán);;一種提升格式的非線性插值小波圖像編碼方法[J];電路與系統(tǒng)學報;2008年01期

6 馬建倉;彭錦濤;孟凡路;;自適應提升小波變換及飛機發(fā)動機故障分析[J];計算機工程與應用;2010年18期

7 葉重元;黃永東;;小波閾值去噪算法的新改進[J];計算機工程與應用;2011年12期

8 陳珍萍;歐陽名三;劉淮霞;;雙自適應提升小波變換在PQD去噪中的應用[J];計算機工程與應用;2011年16期

9 劉樹春;潘紫微;宋淼;;第二代小波在振動信號去噪中新方法的研究[J];機械傳動;2008年03期

10 段晨東,李凌均,何正嘉;第二代小波變換在旋轉(zhuǎn)機械故障診斷中的應用[J];機械科學與技術(shù);2004年02期

相關博士學位論文 前2條

1 孫軼;基于自適應提升小波的信號去噪技術(shù)研究[D];中國科學技術(shù)大學;2008年

2 陳孝敬;小波變換在光譜和多光譜圖像的應用與研究[D];廈門大學;2009年

相關碩士學位論文 前7條

1 馬東宇;基于Gaussian型RBF神經(jīng)網(wǎng)絡的函數(shù)逼近與應用[D];中南大學;2011年

2 印欣運;聲發(fā)射技術(shù)在旋轉(zhuǎn)機械碰摩故障診斷中的應用[D];清華大學;2005年

3 時麗娜;面向故障診斷的傳感器布局和微弱信號檢測方法的研究[D];上海交通大學;2007年

4 周潔;裂紋聲發(fā)射源定位研究及發(fā)展趨勢預估初探[D];廣西大學;2007年

5 王玉雷;基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡的柴油機故障診斷研究[D];中北大學;2008年

6 張維新;基于小波分析與神經(jīng)網(wǎng)絡的軸承故障診斷研究[D];天津大學;2008年

7 湯文亮;冗余提升小波分析在故障診斷中的研究與應用[D];北京工業(yè)大學;2010年

本文編號：1416513