旋轉(zhuǎn)機(jī)械故障早期識別方法研究與應(yīng)用
本文關(guān)鍵詞：旋轉(zhuǎn)機(jī)械故障早期識別方法研究與應(yīng)用，由筆耕文化傳播整理發(fā)布。
【摘要】：隨著機(jī)械設(shè)備向大型化、復(fù)雜化和自動(dòng)化發(fā)展,機(jī)械設(shè)備的故障診斷技術(shù)顯得日益重要。旋轉(zhuǎn)機(jī)械是機(jī)械設(shè)備的重要組成部分,旋轉(zhuǎn)機(jī)械的故障識別也成為重中之重。而在故障發(fā)生的初期階段就識別故障,并采取相應(yīng)措施,是非常有必要的,不僅可以提高經(jīng)濟(jì)效益,還可以減少事故的發(fā)生。本文主要是對旋轉(zhuǎn)機(jī)械故障的早期識別方法進(jìn)行研究,基于小波分析和盲源分離研究了三種旋轉(zhuǎn)機(jī)械的早期故障識別方法,并在開發(fā)平臺(tái)LabVIEW上開發(fā)了旋轉(zhuǎn)機(jī)械在線監(jiān)測與故障診斷系統(tǒng)。 本文首先研究了一種基于連續(xù)小波變換的早期故障識別方法,根據(jù)小波熵選擇最優(yōu)尺度,然后對該尺度進(jìn)行小波重構(gòu),并對重構(gòu)信號進(jìn)行包絡(luò)譜分析,從而識別故障。本文利用仿真信號和弱故障軸承的實(shí)測信號進(jìn)行驗(yàn)證分析,都能準(zhǔn)確、有效地識別故障。 由于基于連續(xù)小波變換的小波重構(gòu)算法只是對信號的低頻部分進(jìn)行分解,而對高頻部分沒有分解,于是又研究了基于小波包分解的頻帶優(yōu)化方法來識別旋轉(zhuǎn)機(jī)械早期故障,其中小波包分解的子頻帶是同時(shí)對低頻和高頻部分進(jìn)行分解。首先對故障信號和參考信號同時(shí)進(jìn)行小波包分解,然后分別計(jì)算對應(yīng)子頻帶的峭度差,根據(jù)仿真信號和實(shí)測信號的驗(yàn)證分析,峭度差最大的頻帶即為最優(yōu)頻帶,對最優(yōu)頻帶的子信號進(jìn)行包絡(luò)分析,可以很好的識別旋轉(zhuǎn)機(jī)械的早期故障。 針對多振動(dòng)源而采集通道有限的振動(dòng)信號分析,本文基于時(shí)頻分析研究了單通道信號的肓源分離方法。首先對振動(dòng)信號進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?并根據(jù)分解得到的內(nèi)蘊(yùn)模式分量估計(jì)源信號個(gè)數(shù)并選擇最優(yōu)的觀察信號,將單通道信號與最優(yōu)觀察信號組成新的多通道信號進(jìn)行基于時(shí)頻分析的盲源分離。本文具體地闡述了基于時(shí)頻分析的盲源分離算法,并對仿真信號和齒輪箱故障信號進(jìn)行驗(yàn)證分析,并通過與傳統(tǒng)的基于獨(dú)立分量分析的盲源分離算法進(jìn)行對比,發(fā)現(xiàn)基于時(shí)頻分析的盲源分離算法對混合信號具有更好的分離效果。 基于LabVIEW平臺(tái)開發(fā)了旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測與故障識別系統(tǒng)。通過LabVIEW二次開發(fā)AVANT MI-7016數(shù)據(jù)采集儀可以實(shí)現(xiàn)8個(gè)通道的數(shù)據(jù)采集,并進(jìn)行在線監(jiān)測顯示振動(dòng)信號的棒圖、時(shí)域和頻域,通過數(shù)據(jù)存儲(chǔ)又可以實(shí)現(xiàn)對信號的離線分析,如趨勢分析、時(shí)域分析、頻域分析和小波分析。
【關(guān)鍵詞】：旋轉(zhuǎn)機(jī)械 早期故障識別 小波變換 盲源分離 經(jīng)驗(yàn)?zāi)Ｊ椒纸?/strong>
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH165.3
【目錄】：
- 摘要4-5
- Abstract5-9
- 1 緒論9-15
- 1.1 論文選題背景及研究意義9-11
- 1.2 本課題國內(nèi)外研究現(xiàn)狀11-13
- 1.3 論文的研究內(nèi)容及安排13-15
- 2 小波分析15-27
- 2.1 連續(xù)小波變換15-21
- 2.1.1 連續(xù)小波變換定義15-19
- 2.1.2 小波時(shí)頻窗19-20
- 2.1.3 傅里葉變換、Gabor變換、小波變換對比20-21
- 2.2 離散小波變換21
- 2.3 多分辨率分析21-24
- 2.3.1 尺度函數(shù)21-22
- 2.3.2 小波函數(shù)22
- 2.3.3 Mallat算法22-24
- 2.4 小波包分解24-26
- 2.5 本章小結(jié)26-27
- 3 基于連續(xù)小波變換的早期故障識別27-38
- 3.1 小波重構(gòu)定義27-29
- 3.2 基于小波熵的最優(yōu)小波尺度選取29-30
- 3.3 仿真信號的小波重構(gòu)30-34
- 3.3.1 仿真信號的構(gòu)建30-32
- 3.3.2 仿真信號的小波重構(gòu)32-34
- 3.4 實(shí)測信號的小波重構(gòu)34-37
- 3.5 本章小結(jié)37-38
- 4 基于小波包分解的早期故障識別38-47
- 4.1 峭度分析38-39
- 4.2 基于峭度的最優(yōu)頻帶選取39-40
- 4.3 仿真信號40-43
- 4.4 實(shí)測信號43-46
- 4.5 本章小結(jié)46-47
- 5 基于時(shí)頻分析的單通道信號盲源分離對機(jī)械設(shè)備的早期故障識別47-72
- 5.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸?/span>47-52
- 5.1.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸舛x47-49
- 5.1.2 經(jīng)驗(yàn)?zāi)Ｊ椒纸鉃V波49
- 5.1.3 源信號個(gè)數(shù)估計(jì)49-51
- 5.1.4 最優(yōu)觀察信號選取51-52
- 5.2 基于時(shí)頻分析的盲源分離算法52-57
- 5.2.1 概述52-53
- 5.2.2 數(shù)學(xué)模型53-54
- 5.2.3 數(shù)據(jù)預(yù)處理54-56
- 5.2.4 聯(lián)合對角化56-57
- 5.2.5 算法步驟57
- 5.3 仿真信號的盲源分離57-64
- 5.4 實(shí)測信號的盲源分離64-71
- 5.5 本章小結(jié)71-72
- 6 基于 LabVIEW的旋轉(zhuǎn)機(jī)械在線監(jiān)測與故障識別系統(tǒng)72-81
- 6.1 LabVIEW開發(fā)平臺(tái)簡介72
- 6.2 硬件介紹72-75
- 6.2.1 采集設(shè)備72-74
- 6.2.2 傳感器74
- 6.2.3 硬件搭建74-75
- 6.3 軟件介紹75-81
- 6.3.1 用戶管理模塊76-77
- 6.3.2 在線監(jiān)測模塊77
- 6.3.3 離線分析模塊77-81
- 結(jié)論81-83
- 參考文獻(xiàn)83-87
- 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況87-88
- 致謝88-89
【參考文獻(xiàn)】
中國期刊全文數(shù)據(jù)庫 前10條
1 張彥強(qiáng);喬文剛;;利用共振解調(diào)技術(shù)對滾動(dòng)軸承故障診斷[J];包鋼科技;2010年04期
2 王聰;;基于Hilbert解調(diào)及倒譜的齒輪箱點(diǎn)蝕故障診斷研究[J];電力科學(xué)與工程;2011年03期
3 陳祥訓(xùn);對幾個(gè)小波基本概念的理解[J];電力系統(tǒng)自動(dòng)化;2004年01期
4 劉峻華,黃樹紅,陸繼東;汽輪機(jī)故障診斷技術(shù)的發(fā)展與展望[J];動(dòng)力工程;2001年02期
5 曾憲偉;趙衛(wèi)明;盛菊琴;;小波包分解樹結(jié)點(diǎn)與信號子空間頻帶的對應(yīng)關(guān)系及其應(yīng)用[J];地震學(xué)報(bào);2008年01期
6 李霄,裴樹毅,屈梁生;全息譜技術(shù)用于化工動(dòng)設(shè)備故障診斷[J];化工進(jìn)展;1993年04期
7 王平,廖明夫;滾動(dòng)軸承故障診斷的自適應(yīng)共振解調(diào)技術(shù)[J];航空動(dòng)力學(xué)報(bào);2005年04期
8 王玉甲;張銘鈞;郭勇;;基于PCA的水下機(jī)器人故障診斷與數(shù)據(jù)重構(gòu)[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年S1期
9 楊伸記,廖明夫,趙旭民;旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測與故障診斷系統(tǒng)[J];測控技術(shù);2000年01期
10 羅邦R，
本文編號：291344
本文鏈接：http://sikaile.net/kejilunwen/jixiegongcheng/291344.html
