隨著現(xiàn)代液壓系統(tǒng)向快速、大功率、高精度的方向發(fā)展,機(jī)電裝備液壓系統(tǒng)的功能越來(lái)越復(fù)雜,結(jié)構(gòu)越來(lái)越龐大,不確定因素和不確定信息充斥其間。建立完善的裝備液壓系統(tǒng)維修管理體制,是降低裝備故障率、提高生產(chǎn)率的重要手段。液壓系統(tǒng)的早期故障檢測(cè)與診斷是裝備維修管理體制中“預(yù)知維修”的核心問(wèn)題。近年來(lái),智能故障診斷理論與技術(shù)發(fā)展迅速,能夠?qū)μ囟ōh(huán)境下的診斷對(duì)象進(jìn)行準(zhǔn)確的故障模式識(shí)別和預(yù)報(bào)。但是智能故障診斷領(lǐng)域還存在一些難題,如傳感器自身的局限性,診斷對(duì)象的動(dòng)態(tài)時(shí)變性,單源信號(hào)診斷信息的不完備性,裝備故障常表現(xiàn)為多種故障的復(fù)合性等,這些都嚴(yán)重制約著智能故障診斷理論和技術(shù)的發(fā)展。本文對(duì)核主元分析（KPCA）方法和D-S證據(jù)理論基本原理進(jìn)行了研究。利用小波包濾波去噪的包絡(luò)解調(diào)法進(jìn)行信號(hào)處理,提出了基于聲音信號(hào)KPCA和指數(shù)加權(quán)動(dòng)態(tài)KPCA的故障診斷方法。研究了基本概率分配的確定方法,提出了集成支持向量機(jī)（SVM）與證據(jù)理論的多源信息融合故障診斷方法,該方法充分利用了各信息源的冗余互補(bǔ)信息,能大大提高診斷確診率,降低診斷的誤報(bào)和漏報(bào)率。試驗(yàn)過(guò)程中設(shè)置了泵的多種復(fù)合故障類型,把復(fù)合故障看作一種特定的故障模式,利... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：137 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 液壓系統(tǒng)故障診斷方法的研究進(jìn)展
        1.2.1 基于解析模型的方法
        1.2.2 基于信號(hào)處理的方法
        1.2.3 基于知識(shí)的方法
        1.2.4 故障診斷技術(shù)發(fā)展趨勢(shì)
    1.3 核主元分析故障診斷技術(shù)在故障診斷中的應(yīng)用
    1.4 多源數(shù)據(jù)信息融合與證據(jù)理論故障診斷技術(shù)的研究現(xiàn)狀
        1.4.1 多源數(shù)據(jù)信息融合
        1.4.2 證據(jù)理論故障診斷技術(shù)發(fā)展趨勢(shì)與存在的問(wèn)題
    1.5 本文研究的意義及主要研究工作
        1.5.1 本文研究的意義
        1.5.2 本文研究的主要內(nèi)容
第2章 基于多信息域分析的信號(hào)處理與特征量提取
    2.1 基于小波包濾波去噪的包絡(luò)解調(diào)信號(hào)處理
        2.1.1 小波包去噪法
        2.1.2 基于Hilbert 變換的包絡(luò)解調(diào)法
        2.1.3 基于小波包濾波去噪的包絡(luò)解調(diào)信號(hào)處理
    2.2 信號(hào)的時(shí)域特征提取
        2.2.1 有量綱的參量
        2.2.2 無(wú)量綱的參量
        2.2.3 振動(dòng)和聲音信號(hào)的時(shí)域特征提取
        2.2.4 壓力信號(hào)的時(shí)域特征提取
    2.3 信號(hào)的頻域特征提取
        2.3.1 頻域特征參量
        2.3.2 振動(dòng)和聲音信號(hào)的頻域特征提取
        2.3.3 壓力信號(hào)的頻域特征提取
    2.4 信號(hào)的時(shí)頻域特征提取
        2.4.1 時(shí)頻域特征參量
        2.4.2 信號(hào)的時(shí)頻域特征提取
    2.5 信號(hào)的多信息域故障特征向量提取
    2.6 本章小結(jié)
第3章 基于聲音信號(hào)處理的KPCA 故障診斷方法
    3.1 PCA 的基本原理
        3.1.1 PCA 模型
        3.1.2 統(tǒng)計(jì)量的確定
    3.2 KPCA 的基本原理
        3.2.1 KPCA 模型
        3.2.2 核函數(shù)的選取
        3.2.3 統(tǒng)計(jì)量的確定
    3.3 基于聲音信號(hào)處理的KPCA 故障診斷方法
        3.3.1 構(gòu)建核主元模型
        3.3.2 在線檢測(cè)
    3.4 試驗(yàn)研究
        3.4.1 聲音信號(hào)分析
        3.4.2 聲音信號(hào)的特征向量提取
        3.4.3 基于聲音信號(hào)處理的KPCA 故障診斷法的診斷結(jié)果
        3.4.4 基于聲音信號(hào)處理的PCA 故障診斷法的診斷結(jié)果
        3.4.5 基于振動(dòng)信號(hào)處理的KPCA 故障診斷法的診斷結(jié)果
        3.4.6 診斷結(jié)果比較
    3.6 本章小結(jié)
第4 章 指數(shù)加權(quán)動(dòng)態(tài)核主元分析的故障診斷方法
    4.1 指數(shù)加權(quán)動(dòng)態(tài)自回歸統(tǒng)計(jì)模型
        4.1.1 指數(shù)加權(quán)主元分析模型
        4.1.2 基于滑動(dòng)時(shí)間窗口的數(shù)據(jù)更新
        4.1.3 指數(shù)加權(quán)核主元分析模型
        4.1.4 指數(shù)加權(quán)核主元分析模型的特點(diǎn)
    4.2 指數(shù)加權(quán)動(dòng)態(tài)核主元分析法的建模與故障診斷
        4.2.1 第1 個(gè)時(shí)間窗口的建模與故障診斷
        4.2.2 第1 個(gè)時(shí)間窗口以后各窗口的建模與故障診斷
    4.3 試驗(yàn)研究
        4.3.1 振動(dòng)信號(hào)分析
        4.3.2 振動(dòng)信號(hào)的特征向量提取
        4.3.3 指數(shù)加權(quán)動(dòng)態(tài)核主元分析的故障診斷方法的診斷結(jié)果
    4.4 本章小結(jié)
第5章 集成SVM 和證據(jù)理論的多源信息融合故障診斷方法
    5.1 證據(jù)理論
        5.1.1 證據(jù)理論中的幾個(gè)重要概念
        5.1.2 證據(jù)區(qū)間的描述
        5.1.3 信度函數(shù)的融合規(guī)則
    5.2 基于矩陣分析的融合算法
        5.2.1 置信度分配矩陣
        5.2.2 算法描述
    5.3 基本概率分配的確定方法
        5.3.1 BP 神經(jīng)網(wǎng)絡(luò)確定基本概率分配
        5.3.2 SVM 確定基本概率分配
    5.4 基于證據(jù)理論的多源信息融合故障診斷方法
        5.4.1 故障特征信號(hào)的處理
        5.4.2 診斷過(guò)程的實(shí)現(xiàn)
    5.5 試驗(yàn)研究
        5.5.1 信號(hào)處理
        5.5.2 基本概率分配的確定
        5.5.3 試驗(yàn)結(jié)果分析
    5.6 本文提出2 種新診斷方法的診斷效果分析
    5.7 本章小結(jié)
第6章 液壓泵故障診斷試驗(yàn)系統(tǒng)研究
    6.1 試驗(yàn)系統(tǒng)組成
    6.2 軸向柱塞泵的故障分析及各種故障的特征頻率范圍
        6.2.1 軸向柱塞泵的故障分析
        6.2.2 各種故障的特征頻率范圍
    6.3 振動(dòng)傳感器的選擇及其布設(shè)
        6.3.1 振動(dòng)傳感器的選擇
        6.3.2 振動(dòng)傳感器布設(shè)效果
        6.3.3 振動(dòng)傳感器的安裝方式
        6.3.4 x 和y 方向測(cè)點(diǎn)配置方案
        6.3.5 泵殼上同一截面檢測(cè)數(shù)據(jù)比較
        6.3.6 x 和y 方向測(cè)點(diǎn)配置
    6.4 聲級(jí)計(jì)的選擇及其測(cè)點(diǎn)的配置
        6.4.1 聲級(jí)計(jì)的選擇
        6.4.2 聲級(jí)計(jì)測(cè)點(diǎn)的配置
    6.5 液壓泵運(yùn)行狀態(tài)監(jiān)測(cè)系統(tǒng)
    6.6 軸向柱塞泵的故障設(shè)置
    6.7 試驗(yàn)樣本采集
        6.7.1 采集參數(shù)設(shè)置
        6.7.2 試驗(yàn)樣本采集
    6.8 本章小結(jié)
結(jié)論
附錄
參考文獻(xiàn)
攻讀博士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于局域波法和KPCA-LSSVM的滾動(dòng)軸承故障診斷[J]. 楊先勇,周曉軍,張文斌,楊富春.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2010(08)
[2]基于多塊核主元分析的復(fù)雜過(guò)程的分散故障診斷(英文)[J]. 張穎偉,周宏,奏泗釗.  自動(dòng)化學(xué)報(bào). 2010(04)
[3]航空液壓泵柱塞游隙增大故障診斷[J]. 趙四軍,王少萍,尚耀星.  北京航空航天大學(xué)學(xué)報(bào). 2010(03)
[4]液壓系統(tǒng)故障智能診斷技術(shù)現(xiàn)狀與發(fā)展趨勢(shì)[J]. 范士娟,楊超.  液壓與氣動(dòng). 2010(03)
[5]基于改進(jìn)多尺度核主元分析的化工過(guò)程故障檢測(cè)與診斷方法研究[J]. 許潔,胡壽松,申忠宇.  儀器儀表學(xué)報(bào). 2010(01)
[6]基于提升多小波的機(jī)電設(shè)備復(fù)合故障分離和提取[J]. 袁靜,何正嘉,訾艷陽(yáng).  機(jī)械工程學(xué)報(bào). 2010(01)
[7]液壓伺服系統(tǒng)的H∞觀測(cè)器設(shè)計(jì)[J]. 明廷濤,張永祥,孫云嶺.  海軍工程大學(xué)學(xué)報(bào). 2009(06)
[8]基于核主元分析與支持向量機(jī)的監(jiān)控診斷方法及其應(yīng)用[J]. 蔣少華,桂衛(wèi)華,陽(yáng)春華,唐朝暉.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(05)
[9]基于粗糙集模糊神經(jīng)網(wǎng)絡(luò)的爆破振動(dòng)危害預(yù)測(cè)[J]. 史秀志,林大能,陳壽如.  爆炸與沖擊. 2009(04)
[10]基于盲信號(hào)處理的機(jī)械噪聲監(jiān)測(cè)與故障診斷[J]. 王宇,遲毅林,伍星,沈沂.  振動(dòng)與沖擊. 2009(06)

博士論文
[1]信息融合和貝葉斯網(wǎng)絡(luò)集成的故障診斷理論方法及實(shí)驗(yàn)研究[D]. 劉思遠(yuǎn).燕山大學(xué) 2010



本文編號(hào)：2951227