發(fā)布時間：2017-07-17 22:10

  本文關(guān)鍵詞：基于振動信號的旋轉(zhuǎn)機械運行狀態(tài)趨勢分析與故障診斷

  更多相關(guān)文章： 故障診斷 特征提取及特征選擇 支持向量機 鄰近粗糙集 主成分分析

【摘要】：在現(xiàn)代工業(yè)生產(chǎn)設(shè)備中，旋轉(zhuǎn)機械占有重要地位。對旋轉(zhuǎn)機械設(shè)備進行狀態(tài)監(jiān)測和故障診斷以保證設(shè)備的安全運行具有重要的現(xiàn)實意義和經(jīng)濟價值。旋轉(zhuǎn)機械的振動信號是研究設(shè)備故障運行狀態(tài)的重要載體，，在旋轉(zhuǎn)機械振動信號中含有豐富的可以表征設(shè)備運行狀態(tài)的信息，借助信號與信息處理手段從振動信號中提取這些信息，通過這些信息獲取設(shè)備運行狀況以及故障相關(guān)狀況，是實現(xiàn)對機械運行狀態(tài)趨勢分析和故障診斷的一種行之有效的方法。本文主要工作如下： （1）研究基于支持向量機和小波包分解的旋轉(zhuǎn)機械故障診斷方法�？紤]到機械故障診斷時故障模式識別以及有效故障特征信息提取等存在難度，提出基于支持向量機和小波包分解的故障診斷的方法。以不同故障狀態(tài)的軸承為實驗對象，將各狀態(tài)下軸承的振動信號進行小波包分解，以分解后各頻帶里信號能量與信號總能量之比作為特征向量來表征設(shè)備的運行狀態(tài)，并以此作為SVM故障分類器的輸入，成功實現(xiàn)軸承狀態(tài)檢測和故障診斷。并對影響SVM分類器分類性能的因素進行了分析，研究SVM分類器如何選擇最優(yōu)參數(shù)等問題。 （2）提出基于鄰近粗糙集屬性重要度的故障特征選擇方法。在機械故障診斷過程中，如果能夠為故障診斷分類器提供一組數(shù)量較少且充分、信息不冗余的輸入變量，那么分類器將更簡單且有效，對提高故障診斷準確率和效率起到關(guān)鍵作用。針對這一問題，提出了基于鄰近粗糙集屬性重要度的故障特征選擇，結(jié)合齒輪箱裂紋實驗，首先通過時域、頻域和基于希爾伯特變換和傅里葉變換殘差信號三個方面進行齒輪箱的故障特征提取，通過鄰近粗糙集對所有特征進行重要度評價并選出最優(yōu)特征子集，將最優(yōu)特征子集作為SVM故障分類器的輸入，實現(xiàn)齒輪箱齒輪裂紋識別和運行狀態(tài)趨勢預測。此外，著重對最優(yōu)特征子集中特征的變化趨勢進行了研究。 （3）將基于主成分分析（PCA）的特征級融合引入旋轉(zhuǎn)機械的故障診斷。將軸承實驗中由小波包分解所得特征和齒輪箱實驗所提取的故障特征進行特征級融合，通過特征間的融合實現(xiàn)故障特征的降維，使得輸入到故障分類器的特征集更加簡練高效，不僅降低了分類器運行時間減輕了計算量，而且通過對冗余信息的刪除提高了故障診斷準確率。
【關(guān)鍵詞】：故障診斷 特征提取及特征選擇 支持向量機 鄰近粗糙集 主成分分析
【學位授予單位】：江西理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-16
• 1.1 課題研究的背景和意義9-10
• 1.2 旋轉(zhuǎn)機械故障診斷的研究內(nèi)容及發(fā)展現(xiàn)狀10-13
• 1.2.1 故障機理的研究10
• 1.2.2 故障特征提取方法的研究10-11
• 1.2.3 故障特征選擇方法的研究11-12
• 1.2.4 故障診斷推理方法研究12
• 1.2.5 時頻分析在機械故障診斷中的應(yīng)用與研究現(xiàn)狀12-13
• 1.3 信息融合方法在故障診斷中的意義與研究現(xiàn)狀13-15
• 1.3.1 信息融合的定義與層次13-14
• 1.3.2 在故障診斷領(lǐng)域中引入信息融合技術(shù)的意義14
• 1.3.3 特征級信息融合在故障診斷領(lǐng)域國內(nèi)外研究現(xiàn)狀14-15
• 1.4 論文主要內(nèi)容和結(jié)構(gòu)安排15-16
• 第二章 基于支持向量機和小波包分解的旋轉(zhuǎn)機械故障診斷16-30
• 2.1 引言16
• 2.2 支持向量機(SVM)理論16-18
• 2.2.1 線性支持向量機16-17
• 2.2.2 非線性支持向量機17-18
• 2.3 支持向量機中常用的多故障分類算法18
• 2.4 基于小波包分解的故障特征提取18-23
• 2.4.1 小波包分解原理19-20
• 2.4.2 小波包故障特征提取算法及特征向量的構(gòu)造20-21
• 2.4.3 故障特征提取算例21-22
• 2.4.4 基于支持向量機和小波包分解的故障診斷步驟及流程22-23
• 2.5 實驗驗證23-26
• 2.5.1 實驗數(shù)據(jù)描述23
• 2.5.2 分類測試結(jié)果23-26
• 2.5.3 結(jié)果分析與討論26
• 2.6 支持向量機 SVM 分類器分類性能影響因素分析26-29
• 2.6.1 核函數(shù)對故障分類器性能的影響26-27
• 2.6.2 SVM 分類器中最優(yōu)參數(shù)的選擇27-29
• 2.6.3 訓練樣本數(shù)量對故障分類器性能的影響29
• 2.7 本章小結(jié)29-30
• 第三章 基于鄰近粗糙集屬性重要度的故障特征選擇30-53
• 3.1 引言30
• 3.2 經(jīng)典粗糙集30-32
• 3.2.1 粗糙集的定義30-31
• 3.2.2 約簡與重要度31-32
• 3.3 鄰近粗糙集32-35
• 3.3.1 鄰域32-33
• 3.3.2 鄰域決策系統(tǒng)33-34
• 3.3.3 鄰近粗糙集屬性重要度約簡算法34-35
• 3.4 實例分析35-37
• 3.5 特征提取與特征選擇37-42
• 3.5.1 特征定義與提取37-41
• 3.5.2 基于 NRS 的特征選擇41-42
• 3.6 基于 SVM 的特征評價42-47
• 3.6.1 實驗設(shè)計43-44
• 3.6.2 實驗 1 分析44-45
• 3.6.3 實驗 2 分析45
• 3.6.4 實驗 3 分析45-46
• 3.6.5 結(jié)論與分析46-47
• 3.7 特征變化趨勢分析47-52
• 3.8 本章小結(jié)52-53
• 第四章 基于 PCA 特征級融合的故障診斷53-65
• 4.1 主成分分析方法53
• 4.2 PCA 在機械故障診斷中應(yīng)用53-54
• 4.3 實例分析 154-57
• 4.3.1 實驗步驟54-56
• 4.3.2 結(jié)論與分析56-57
• 4.4 實例分析 257-64
• 4.4.1 方案一58-61
• 4.4.2 方案二61-63
• 4.4.3 結(jié)論與分析63-64
• 4.5 本章小結(jié)64-65
• 第五章 結(jié)論與展望65-67
• 5.1 結(jié)論65
• 5.2 展望65-67
• 參考文獻67-71
• 附件 A71-73
• 附件 B73-75
• 附件 C75-78
• 附件 D78-79
• 攻讀學位期間的研究成果79-80

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 蘇詠梅;王振宇;;旋轉(zhuǎn)機械常見故障機理研究[J];長江大學學報(自然科學版)理工卷;2009年04期

2 李兵;張培林;任國全;劉東升;米雙山;;基于互信息的滾動軸承故障特征選擇方法[J];測試技術(shù)學報;2009年02期

3 羅躍綱,陳長征,曾海泉,聞邦椿;基于信息融合的集成小波神經(jīng)網(wǎng)絡(luò)故障診斷[J];東北大學學報;2002年08期

4 安學利;蔣東翔;陳杰;劉超;;基于ITD和LS-SVM的風力發(fā)電機組軸承故障診斷[J];電力自動化設(shè)備;2011年09期

5 顏兆林;馮靜;;基于平均互信息熵的復雜系統(tǒng)可靠性評定方法[J];國防科技大學學報;2012年01期

6 吳斌;王敏杰;康晶;羅躍綱;;滾動軸承故障振動信號特征與診斷方法[J];大連理工大學學報;2013年01期

7 夏虹,曹欣榮,王兆祥;基于傳感器融合的機械設(shè)備故障診斷的方法與系統(tǒng)[J];哈爾濱工程大學學報;1998年04期

8 王洋,高金吉,夏松波;旋轉(zhuǎn)機械支承系統(tǒng)故障機理及識別特征的研究[J];哈爾濱工業(yè)大學學報;1999年05期

9 呂寧;于曉洋;;基于二階互信息特征選取的TE過程故障診斷[J];化工學報;2009年09期

10 古瑩奎;黃開啟;;基于領(lǐng)域?qū)＜抑R的發(fā)動機模糊可靠性分配方法[J];航空動力學報;2009年05期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 呂寧;基于數(shù)據(jù)驅(qū)動的故障診斷模型及算法研究[D];哈爾濱理工大學;2009年

2 趙熙臨;基于信息融合的電力系統(tǒng)故障診斷技術(shù)研究[D];華中科技大學;2009年

本文編號：554838