本文關(guān)鍵詞：基于EEMD樣本熵和模糊聚類的軸承故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：軸承是機械設(shè)備中的常用部件之一，同時也是發(fā)生故障較多的元件，保證軸承的健康工作是機械得以穩(wěn)定運行的前提，因而軸承故障診斷已成為機械故障診斷技術(shù)中的一個重要分支。針對目前常用的信號處理方法多為非自適應(yīng)性的，在處理非線性、非平穩(wěn)的振動信號時存在局限性，本文引入具有自適應(yīng)特點的總體平均經(jīng)驗?zāi)Ｊ椒纸猓‥EMD），并提出了EEMD與樣本熵相結(jié)合的特征提取方法，用于實現(xiàn)以信號局部復(fù)雜度信息為判斷依據(jù)的故障診斷；同時針對機械故障模式存在模糊性而難以識別的問題，采用Gath-Geva聚類算法對故障進行狀態(tài)識別，并將上述特征提取方法和Gath-Geva聚類算法結(jié)合起來應(yīng)用到軸承故障診斷中。 首先，研究了經(jīng)驗?zāi)Ｊ椒纸?EMD)的基本原理及其在信號分解中的應(yīng)用；針對經(jīng)驗?zāi)Ｊ椒纸獾哪Ｊ交殳B現(xiàn)象，引入噪聲輔助的EEMD分解，一方面可以實現(xiàn)對信號按照不同時間尺度的分解，從而提取出信號的局部特征信息，另一方面還能夠在一定程度上達到了抑制模式混疊的目的。 其次，針對機械出現(xiàn)故障時其動力學(xué)特性呈現(xiàn)復(fù)雜性的特點，引入用于度量信號復(fù)雜性的樣本熵，并分析了樣本熵受參數(shù)影響、抗數(shù)據(jù)丟失能力強和具有良好的一致性等特點。在此基礎(chǔ)上，用樣本熵對信號EEMD分解出的IMF分量進行量化，可獲取振動信號不同頻帶上的復(fù)雜度信息，進一步將其作為模式識別的輸入量，為軸承的故障識別提供了依據(jù)。 然后，以Gath-Geva模糊聚類作為故障識別方法，對上述構(gòu)建的軸承振動信號故障特征向量進行聚類分析，實現(xiàn)了軸承故障的準確識別。 最后，以美國凱斯西儲大學(xué)的滾動軸承故障數(shù)據(jù)為研究對象，，從滾動軸承不同信號類型和不同損傷程度兩個方面進行實驗，結(jié)果表明：基于EEMD和樣本熵的特征提取方法能夠有效地對兩種情況下的滾動軸承故障特征進行刻畫，并且Gath-Geva聚類算法在故障診斷中取得了良好的識別效果。
【關(guān)鍵詞】：故障診斷 總體平均經(jīng)驗?zāi)Ｊ椒纸?EEMD) 樣本熵 特征提取 Gath-Geva模糊聚類
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TH133.3;TH165.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-18
• 1.1 機械故障診斷的背景和意義10-11
• 1.2 機械故障診斷技術(shù)發(fā)展概況11-12
• 1.3 機械故障診斷的內(nèi)容12-13
• 1.3.1 狀態(tài)監(jiān)測技術(shù)12
• 1.3.2 故障診斷技術(shù)12-13
• 1.4 軸承故障診斷的基本內(nèi)容13-17
• 1.4.1 非自適應(yīng)分析方法13-14
• 1.4.2 自適應(yīng)分析方法14-15
• 1.4.3 熵在故障診斷中的應(yīng)用15-16
• 1.4.4 模式識別在故障診斷中的應(yīng)用16-17
• 1.5 本文的主要研究內(nèi)容17-18
• 第2章 總體平均經(jīng)驗?zāi)Ｊ椒纸庋芯?/span>18-31
• 2.1 EMD基本概念18-21
• 2.1.1 三次樣條插值曲線擬合18-19
• 2.1.2 瞬時頻率19-20
• 2.1.3 本征模態(tài)函數(shù)20-21
• 2.2 經(jīng)驗?zāi)Ｊ椒纸饫碚?/span>21-27
• 2.2.1 EMD的基本算法21-23
• 2.2.2 EMD的效果驗證23-27
• 2.3 EEMD原理27-30
• 2.4 本章小結(jié)30-31
• 第3章 基于樣本熵的振動信號特征提取31-44
• 3.1 熵理論31
• 3.2 幾種常用熵31-34
• 3.2.1 信息熵31-32
• 3.2.2 奇異值熵32-33
• 3.2.3 小波能量熵33-34
• 3.2.4 Renyi熵34
• 3.3 基于樣本熵的特征提取34-43
• 3.3.1 樣本熵理論35-39
• 3.3.2 基于樣本熵的特征提取方法研究39-43
• 3.4 本章小結(jié)43-44
• 第4章 模糊聚類方法研究44-60
• 4.1 聚類基本理論44-49
• 4.1.1 聚類的基本概念44-45
• 4.1.2 聚類相似度度量45-48
• 4.1.3 聚類的基本思路48-49
• 4.2 模糊聚類算法49-56
• 4.2.1 FCM聚類算法49-50
• 4.2.2 GK聚類算法50-52
• 4.2.3 GG聚類算法52-53
• 4.2.4 模糊聚類效果檢驗53-56
• 4.3 模糊模式識別56-59
• 4.3.1 擇近原則56-58
• 4.3.2 最大隸屬度原則58-59
• 4.4 本章小結(jié)59-60
• 第5章 滾動軸承故障診斷分析實驗60-78
• 5.1 滾動軸承故障診斷實驗數(shù)據(jù)60-61
• 5.2 時頻分析61-66
• 5.2.1 不同類型故障時頻分析61-64
• 5.2.2 不同損傷程度故障信號時頻分析64-66
• 5.3 信號去噪66-67
• 5.4 不同類型軸承故障診斷67-74
• 5.4.1 軸承振動信號EEMD分解67-70
• 5.4.2 基于樣本熵的特征量化70-71
• 5.4.3 GG聚類的故障識別71-74
• 5.5 軸承不同損傷程度故障診斷74-77
• 5.6 本章小結(jié)77-78
• 結(jié)論78-80
• 參考文獻80-84
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果84-85
• 致謝85-86
• 作者簡介86

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 羅邦R

本文編號：291665