機(jī)械設(shè)備健康狀態(tài)監(jiān)測的運(yùn)行振動信號通常是故障診斷的重要數(shù)據(jù)來源,使用這些數(shù)據(jù)進(jìn)行故障診斷可以通過建立基于信號的線性或非線性模型實(shí)現(xiàn),也可以直接從振動信號中提取故障特征。使用何種診斷策略最為有效,則要根據(jù)數(shù)據(jù)性質(zhì)的判斷加以確定。如果數(shù)據(jù)來自于明顯的線性系統(tǒng),則采用基于線性模型的診斷方法是恰當(dāng)?shù)?若數(shù)據(jù)是非線性的,使用基于非線性模型的診斷方法可以取得好的效果;若數(shù)據(jù)顯示機(jī)械設(shè)備進(jìn)入混沌振動狀態(tài),則要提取混沌特征進(jìn)行故障診斷。因此,本文研究了某些非線性數(shù)據(jù)特征的檢驗(yàn)方法,例如使用雙譜分析檢驗(yàn)數(shù)據(jù)的非線性特征,并用于檢驗(yàn)齒輪箱振動數(shù)據(jù)的特性;使用Lyapunov指數(shù)定量描述混沌程度,并以振動篩為例,研究篩幫不同部位的混沌性強(qiáng)弱。此外,通過相關(guān)分析研究各部分振動數(shù)據(jù)的相關(guān)性,以制定診斷策略。提出幾何-物理空間概念,把大的系統(tǒng)的所有數(shù)據(jù)按物理空間劃分成小區(qū)域的數(shù)據(jù)集,實(shí)現(xiàn)物理分區(qū)。在聚類分析的規(guī)則下,對時(shí)間上不斷擴(kuò)展的數(shù)據(jù)集進(jìn)行基于距離的分類,實(shí)現(xiàn)數(shù)據(jù)分區(qū)。使用主元分析將高維數(shù)據(jù)空間降維成低維數(shù)據(jù)空間,在保持原有有用信息量幾乎不變的情況下,去除冗余信息,僅使用較低的維數(shù)和較少的數(shù)據(jù)量來表示原有數(shù)據(jù)... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：127 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 概述
    1.1 研究背景與意義
    1.2 國內(nèi)外研究情況綜述
    1.3 論文的主要研究內(nèi)容安排
第二章 數(shù)據(jù)非線性特性與相關(guān)性檢驗(yàn)
    2.1 引言
    2.2 非線性檢測方法研究
        2.2.1 多譜分析
        2.2.2 混沌運(yùn)動特征
        2.2.3 線性和非線性的變化
    2.3 數(shù)據(jù)層面的信號相互關(guān)系
    2.4 本章小結(jié)
第三章 復(fù)雜機(jī)械系統(tǒng)測試數(shù)據(jù)分區(qū)與降維
    3.1 引言
    3.2 信號分區(qū)策略研究
        3.2.1 幾何-物理空間描述
        3.2.2 數(shù)據(jù)分區(qū)
        3.2.3 基于自組織特征映射的數(shù)據(jù)分區(qū)
    3.3 數(shù)據(jù)集降維
        3.3.1 主元分析法
        3.3.2 主元分析的方差貢獻(xiàn)率
        3.3.3 數(shù)據(jù)集降維分析的仿真研究
    3.4 本章小結(jié)
第四章 復(fù)雜機(jī)械系統(tǒng)實(shí)體的區(qū)域辨識模型
    4.1 引言
    4.2 辨識模型類型
    4.3 神經(jīng)網(wǎng)絡(luò)模型
    4.4 優(yōu)化神經(jīng)網(wǎng)絡(luò)辨識能力
        4.4.1 選擇神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
        4.4.2 延遲量的重要性及輸入量和延遲量對辨識精度的影響
        4.4.3 隱層神經(jīng)元個(gè)數(shù)對辨識精度和時(shí)間的影響
        4.4.4 隱層激活函數(shù)對辨識精度和訓(xùn)練時(shí)間的影響
        4.4.5 輸入端數(shù)據(jù)數(shù)對精度和時(shí)間的影響
    4.5 神經(jīng)網(wǎng)絡(luò)模型確定性
    4.6 本章小結(jié)
第五章 優(yōu)良特征提取和基于模型的特征分析
    5.1 引言
    5.2 優(yōu)良特征提取方法研究
        5.2.1 扭振信號特征提取分析
        5.2.2 重排平滑偽Wigner-Ville 分布
    5.3 基于神經(jīng)網(wǎng)絡(luò)辨識模型的信號響應(yīng)譜
        5.3.1 基于模型的系列正弦響應(yīng)譜
        5.3.2 基于模型的系列脈沖響應(yīng)譜
    5.4 本章小結(jié)
第六章 案例分析
    6.1 引言
    6.2 案例一：懸臂梁損傷檢測
    6.3 案例二：風(fēng)機(jī)故障診斷
    6.4 本章小結(jié)
第七章 結(jié)論和展望
    7.1 本文結(jié)論
    7.2 創(chuàng)新點(diǎn)
    7.3 今后工作的展望
參考文獻(xiàn)
致謝
作者在攻讀博士學(xué)位期間科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于T-S模糊模型的水輪機(jī)調(diào)節(jié)系統(tǒng)辨識[J]. 李超順,周建中,安學(xué)利,向秀橋,李清清.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2010(01)
[2]滑動數(shù)據(jù)窗口驅(qū)動動的的貝葉斯-高斯網(wǎng)絡(luò)及其在非線性系統(tǒng)辨識中的應(yīng)用[J]. 劉益劍,方彥軍,馬寶萍.  控制理論與應(yīng)用. 2009(12)
[3]基于遞階分解聚類的非線性系統(tǒng)遞推模糊辨識[J]. 王廣軍,王志杰,陳紅.  控制與決策. 2009(12)
[4]非線性動態(tài)系統(tǒng)的Wiener神經(jīng)網(wǎng)絡(luò)辨識法[J]. 吳德會.  控制理論與應(yīng)用. 2009(11)
[5]改進(jìn)遺傳規(guī)劃算法在系統(tǒng)辨識中的應(yīng)用[J]. 商秀芹,盧建剛,孫優(yōu)賢.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(S1)
[6]具有維納-哈默斯坦模型結(jié)構(gòu)非線性系統(tǒng)的一種辨識方法[J]. 胡釙.  電子學(xué)報(bào). 2009(09)
[7]永磁同步電機(jī)非線性參數(shù)辨識[J]. 吳茂林,黃聲華.  電工技術(shù)學(xué)報(bào). 2009(08)
[8]基于Volterra頻域核辨識的非線性模擬電路故障診斷[J]. 劉本德,胡昌華.  控制與決策. 2009(08)
[9]混合編碼免疫算法在非線性系統(tǒng)辨識中的應(yīng)用[J]. 龔固豐,章兢,何敏,王煉紅.  系統(tǒng)仿真學(xué)報(bào). 2009(12)
[10]多振源卷積混合的時(shí)域盲源分離算法[J]. 葉紅仙,楊世錫,楊將新.  機(jī)械工程學(xué)報(bào). 2009(01)

博士論文
[1]非線性動力學(xué)方法在時(shí)間序列分析中的應(yīng)用[D]. 王鼐.復(fù)旦大學(xué) 2005
[2]基于支持向量回歸技術(shù)的大型復(fù)雜機(jī)電設(shè)備故障診斷研究與應(yīng)用[D]. 王然風(fēng).太原理工大學(xué) 2005

碩士論文
[1]基于SOM神經(jīng)網(wǎng)絡(luò)的聚類可視化方法研究[D]. 齊志.東北師范大學(xué) 2009



本文編號：3166654