發(fā)布時間：2022-07-27 13:04

　　機(jī)械故障診斷的關(guān)鍵是如何從故障信號中提取故障特征,信號分析是故障特征提取最常用的方法。機(jī)械系統(tǒng)發(fā)生故障時,振動信號往往具有非線性非平穩(wěn)特征。因此如何結(jié)合故障信號特點并選擇合適的方法,對非線性非平穩(wěn)故障信號進(jìn)行分析以提取故障特征是機(jī)械故障診斷領(lǐng)域需要重點研究的課題。傳統(tǒng)非線性非平穩(wěn)信號分析方法如短時傅里葉變換、小波變換、希爾伯特黃變換等都各自存在一定的局限性,因此迫切需要新的理論與信號分析方法以提高機(jī)械故障診斷的效率與技術(shù)水平。數(shù)學(xué)形態(tài)學(xué)是近年來發(fā)展起來的一種非線性信號分析方法,已經(jīng)逐漸開始應(yīng)用到機(jī)械故障診斷中并取得了較好的效果。本文以轉(zhuǎn)子系統(tǒng)、齒輪和滾動軸承為研究對象,對基于數(shù)學(xué)形態(tài)學(xué)的機(jī)械故障診斷方法進(jìn)行了深入的研究,主要工作和研究成果如下：（1）介紹了轉(zhuǎn)子系統(tǒng)、齒輪和滾動軸承這三種常見機(jī)械零件的振動故障機(jī)理,并對故障信號特征進(jìn)行了分析,為后續(xù)章節(jié)的分析奠定基礎(chǔ)。（2）針對傳統(tǒng)形態(tài)濾波結(jié)構(gòu)元素選取隨機(jī)的問題,首先提出一種自適應(yīng)多尺度復(fù)合形態(tài)濾波降噪方法,該方法能夠根據(jù)信號局部特征和噪聲特點自適應(yīng)的選擇結(jié)構(gòu)元素類型和尺寸大小,然后采用該方法對轉(zhuǎn)子振動信號進(jìn)行濾波,并通過關(guān)聯(lián)維數(shù)對轉(zhuǎn)子故... 

【文章頁數(shù)】：118 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
Abstract
目錄
1 緒論
    1.1 課題的背景及研究意義
    1.2 非線性非平穩(wěn)信號分析方法研究現(xiàn)狀
        1.2.1 短時傅里葉變換
        1.2.2 小波變換
        1.2.3 Hilbert-Huang變換
    1.3 數(shù)學(xué)形態(tài)學(xué)分析方法
        1.3.1 數(shù)學(xué)形態(tài)學(xué)的形成與發(fā)展
        1.3.2 數(shù)學(xué)形態(tài)學(xué)基本理論
        1.3.3 數(shù)學(xué)形態(tài)濾波的基本理論
        1.3.4 形態(tài)小波基本理論與算法
        1.3.5 數(shù)學(xué)形態(tài)學(xué)在機(jī)械故障診斷領(lǐng)域的研究現(xiàn)狀
    1.4 本文的主要內(nèi)容與結(jié)構(gòu)
2 常見機(jī)械典型故障機(jī)理與特征分析
    2.1 引言
    2.2 轉(zhuǎn)子系統(tǒng)典型故障機(jī)理及特征
        2.2.1 轉(zhuǎn)子不平衡
        2.2.2 轉(zhuǎn)子不對中
        2.2.3 油膜渦動
        2.2.4 動靜碰摩
    2.3 齒輪振動機(jī)理及故障特征分析
        2.3.1 齒輪振動機(jī)理分析
        2.3.2 齒輪故障振動響應(yīng)及調(diào)制機(jī)理
        2.3.3 齒輪典型故障信號特征
    2.4 滾動軸承故障機(jī)理故障特征分析
        2.4.1 滾動軸承故障機(jī)理分析
        2.4.2 滾動軸承故障信號特點與特征頻率
        2.4.3 滾動軸承典型故障特征
    2.5 本章小結(jié)
3 基于自適應(yīng)多尺度復(fù)合形態(tài)濾波降噪與關(guān)聯(lián)維數(shù)的轉(zhuǎn)子故障識別
    3.1 引言
    3.2 關(guān)聯(lián)維數(shù)及計算
    3.3 自適應(yīng)多尺度復(fù)合形態(tài)濾波方法
        3.3.1 自適應(yīng)多尺度復(fù)合形態(tài)濾波方法的基本原理
        3.3.2 AMCMF的工作過程
        3.3.3 AMCMF仿真試驗
    3.4 實例分析
    3.5 本章小結(jié)
4 基于多結(jié)構(gòu)元素多尺度形態(tài)學(xué)譜圖特征提取與LSSVM的齒輪故障診斷
    4.1 引言
    4.2 基于多結(jié)構(gòu)元素和多尺度的形態(tài)學(xué)邊緣檢測
        4.2.1 傳統(tǒng)的形態(tài)學(xué)邊緣檢測算子
        4.2.2 改進(jìn)的形態(tài)學(xué)邊緣檢測算子
        4.2.3 基于MMMFE的邊緣檢測算子
        4.2.4 實驗結(jié)果與分析
    4.3 基于MMMFE的振動譜圖特征提取與LSSVM的齒輪故障診斷
        4.3.1 基于MMMFE振動譜圖特征提取
        4.3.2 基于LSSVM的振動譜圖特征識別
    4.4 齒輪故障診斷實例
    4.5 本章小結(jié)
5 基于自適應(yīng)提升形態(tài)小波降噪與灰色關(guān)聯(lián)度的滾動軸承故障診斷
    5.1 引言
    5.2 提升形態(tài)小波框架
    5.3 自適應(yīng)提升形態(tài)小波降噪方法
        5.3.1 自適應(yīng)提升形態(tài)小波構(gòu)造
        5.3.2 基于鄰域相關(guān)性的自適應(yīng)閾值選擇
    5.4 基于ALMW降噪的故障特征提取
        5.4.1 數(shù)值仿真分析
        5.4.2 實例分析
    5.5 基于ALMW和灰色關(guān)聯(lián)度的滾動軸承故障診斷
        5.5.1 灰色關(guān)聯(lián)度理論
        5.5.2 基于ALMW和灰色關(guān)聯(lián)度的故障診斷方法
        5.5.3 滾動軸承診斷實例分析
    5.6 本章小結(jié)
6 基于形態(tài)非抽樣小波的滾動軸承信息融合故障診斷
    6.1 引言
    6.2 基于多尺度差值形態(tài)濾波的形態(tài)非抽樣小波算法
        6.2.1 MUDW的一般框架
        6.2.2 基于多尺度差值形態(tài)濾波算子的MUWD構(gòu)造
    6.3 形態(tài)非抽樣小波能量特征向量與能量熵
    6.4 基于D-S證據(jù)理論的形態(tài)非抽樣小波信息融合故障診斷方法
        6.4.1 D-S證據(jù)理論基本原理
        6.4.2 基于D-S證據(jù)理論的信息融合故障診斷方法
        6.4.3 滾動軸承故障診斷實例
    6.5 基于過程的形態(tài)非抽樣小波能量熵信息融合診斷方法
        6.5.1 基于過程的形態(tài)非抽樣小波能量熵信息融合故障診斷算法
        6.5.2 故障診斷實例分析
    6.6 本章小結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 創(chuàng)新點
    7.3 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表(錄用)的論文和參與的課題



本文編號：3665509