【摘要】：轉(zhuǎn)子系統(tǒng)和軸承是旋轉(zhuǎn)機(jī)械中的關(guān)鍵零部件,其長(zhǎng)期處于高速、滿負(fù)荷運(yùn)行極易出現(xiàn)故障�；谡駝�(dòng)信號(hào)處理的診斷方法具有可在線、實(shí)時(shí)診斷的特點(diǎn),針對(duì)頻譜分析對(duì)非線性振動(dòng)信號(hào)故障特征提取的不足,研究小波包和樣本熵分析對(duì)振動(dòng)信號(hào)進(jìn)行特征提取,并應(yīng)用灰關(guān)聯(lián)分析和BP網(wǎng)絡(luò)作為分類器進(jìn)行故障識(shí)別。論文研究的主要成果如下： 1、建立旋轉(zhuǎn)機(jī)械振動(dòng)試驗(yàn)臺(tái)及信號(hào)采集分析與診斷軟件系統(tǒng)。 搭建振動(dòng)試驗(yàn)臺(tái),模擬轉(zhuǎn)子的不平衡、不對(duì)中、動(dòng)靜碰摩故障,設(shè)計(jì)以DSP為處理器的振動(dòng)信號(hào)采集電路,并將采集到的故障信號(hào)傳輸?shù)介_(kāi)發(fā)的上位機(jī)LabVIEW平臺(tái)。上位機(jī)軟件完成振動(dòng)信號(hào)的顯示、存儲(chǔ)、數(shù)據(jù)查詢、小波去噪、特征參數(shù)計(jì)算、BP網(wǎng)絡(luò)故障診斷和振動(dòng)趨勢(shì)預(yù)測(cè),可用于實(shí)際振動(dòng)信號(hào)的分析診斷。 2、研究改進(jìn)閾值量化函數(shù)的振動(dòng)信號(hào)小波去噪方法,提出小波包樣本熵振動(dòng)信號(hào)特征提取方法,該特征比小波包能量特征對(duì)故障的區(qū)分度更好,并降低了特征參數(shù)維數(shù)。 傳統(tǒng)軟、硬閾值量化方法在閩值處分別存在恒定偏差和不連續(xù)的問(wèn)題,引入?yún)?shù)可調(diào)的改進(jìn)連續(xù)函數(shù)對(duì)閾值進(jìn)行量化,經(jīng)檢驗(yàn)：該方法比傳統(tǒng)軟、硬閾值去噪性能更好。研究了振動(dòng)信號(hào)的小波包能量特征、樣本熵特征參數(shù)提取,結(jié)合小波包分析,提出小波包樣本熵特征提取方法,首先對(duì)振動(dòng)信號(hào)進(jìn)行小波包分解,再計(jì)算重構(gòu)信號(hào)中能量較大的前3個(gè)子代信號(hào)的樣本熵作為特征參數(shù),實(shí)驗(yàn)結(jié)果表明：該參數(shù)可作為故障診斷特征參數(shù),比采用小波包能量特征對(duì)故障的區(qū)分度更好。 3、研究灰色關(guān)聯(lián)分析和BP網(wǎng)絡(luò)的機(jī)械故障診斷,提出小波包樣本熵BP網(wǎng)絡(luò)故障診斷方法,對(duì)軸承內(nèi)圈故障和滾動(dòng)體故障識(shí)別效果比小波包能量BP網(wǎng)絡(luò)診斷方法更好。 根據(jù)故障振動(dòng)信號(hào)的小波包能量特征向量,將灰色關(guān)聯(lián)度分析對(duì)軸承正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障4種狀態(tài)進(jìn)行識(shí)別,在小樣本下識(shí)別效果較好。結(jié)合小波包分析,提取軸承小波包樣本熵特征,采用BP網(wǎng)絡(luò)作為分類器進(jìn)行識(shí)別,結(jié)果表明：該方法有利于對(duì)內(nèi)圈故障和滾動(dòng)體故障的識(shí)別,對(duì)滾動(dòng)體故障的識(shí)別率比小波包能量BP網(wǎng)絡(luò)診斷方法提高了6個(gè)百分點(diǎn)。 4、研究GM(1,1)模型和新陳代謝灰色模型預(yù)測(cè)方法在振動(dòng)狀態(tài)趨勢(shì)預(yù)測(cè)中的應(yīng)用,新陳代謝模型比GM(1,1)模型對(duì)振動(dòng)趨勢(shì)的預(yù)測(cè)精度更高。 采用灰色GM(1,1)模型對(duì)振動(dòng)故障中上升、隨機(jī)波動(dòng)、綜合增長(zhǎng)三種變化趨勢(shì)進(jìn)行仿真預(yù)測(cè)實(shí)現(xiàn)。針對(duì)傳統(tǒng)GM(1,1)模型建模數(shù)據(jù)固定的缺點(diǎn),將原始模型進(jìn)行改進(jìn),加入預(yù)測(cè)的新信息,去掉舊信息,模型參數(shù)在線修改的新陳代謝預(yù)測(cè)模型進(jìn)行預(yù)測(cè),經(jīng)仿真檢驗(yàn)證明：對(duì)上升趨勢(shì)的15步預(yù)測(cè)平均相對(duì)誤差為1.33%,小于GM(1,1)模型方法的5.93%；綜合增長(zhǎng)趨勢(shì)的10步預(yù)測(cè)平均相對(duì)誤差為3.674%,小于GM(1,1)模型方法的5.17%。最后建立了軸承故障預(yù)測(cè)特征信息RMS的BP網(wǎng)絡(luò)預(yù)測(cè)模型,實(shí)驗(yàn)結(jié)果表明：RMS可作為軸承故障預(yù)測(cè)特征信息,并能提前預(yù)測(cè)出軸承故障,具有較高的預(yù)測(cè)精度。
[Abstract]:......
【學(xué)位授予單位】：西南石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王冬云;張文志;張建剛;;小波包能量譜在滾動(dòng)軸承故障診斷中的應(yīng)用[J];軸承;2010年11期

2 宋光雄;陳松平;宋君輝;張亞飛;;汽輪發(fā)電機(jī)組轉(zhuǎn)子裂紋故障研究及分析[J];動(dòng)力工程學(xué)報(bào);2012年04期

3 馬碩;焦現(xiàn)煒;田柯文;呂世樂(lè);趙陽(yáng);鄭善軍;;故障預(yù)測(cè)技術(shù)發(fā)展與分類[J];四川兵工學(xué)報(bào);2013年02期

4 姚云峰;馮玉光;于磊;姜宇;;基于灰色理論的電子系統(tǒng)狀態(tài)預(yù)測(cè)方法[J];火力與指揮控制;2012年05期

5 鄧?yán)?李鋒;姚金寶;;基于流形學(xué)習(xí)和隱Markov模型的故障診斷[J];計(jì)算機(jī)集成制造系統(tǒng);2010年10期

6 馬良荔;李剛;陶道強(qiáng);;基于灰色GM(1,1)模型的故障預(yù)測(cè)方法[J];計(jì)算機(jī)應(yīng)用與軟件;2013年04期

7 王亮;呂衛(wèi)民;滕克難;李佳哲;;基于數(shù)據(jù)驅(qū)動(dòng)的裝備故障預(yù)測(cè)技術(shù)研究[J];計(jì)算機(jī)測(cè)量與控制;2013年08期

8 周劍波;魯峰;黃金泉;;基于灰色關(guān)聯(lián)分析的航空發(fā)動(dòng)機(jī)氣路部件故障診斷[J];推進(jìn)技術(shù);2011年01期

9 費(fèi)成巍;白廣忱;李曉穎;;基于過(guò)程功率譜熵SVM的轉(zhuǎn)子振動(dòng)故障診斷方法[J];推進(jìn)技術(shù);2012年02期

10 孫銀銀;劉振祥;胡歙眉;洪宇;;基于改進(jìn)的MGM(1,n)模型的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法研究[J];汽輪機(jī)技術(shù);2012年05期

，

本文編號(hào)：2404537