本文關(guān)鍵詞：基于DEMD的時頻分析方法及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用

  更多相關(guān)文章： 故障診斷 DEMD 旋轉(zhuǎn)機械 去噪 端點效應(yīng) HMM

【摘要】：旋轉(zhuǎn)機械的狀態(tài)監(jiān)測和故障診斷已經(jīng)成為世界各國的重要研究課題，其中機械故障的特征提取和故障類型識別成為一直以來研究的關(guān)鍵問題。在特征提取方面，經(jīng)驗?zāi)Ｊ椒纸?Empirical Mode Decomposition, EMD)時頻分析方法作為近年來分析非平穩(wěn)、非線性信號的一個重大突破，被廣泛應(yīng)用到旋轉(zhuǎn)機械振動信號的分析與處理當(dāng)中。然而EMD理論算法的發(fā)展還處在“成長”階段，需要進一步研究才能趨于完善�；谖⒎值慕�(jīng)驗?zāi)Ｊ椒纸?Differential-based Empirical Mode Decomposition, DEMD)時頻分析方法是在EMD理論基礎(chǔ)上進行改進的方法，通過對原始信號進行微分使得信號中的不同頻率成分的比重改變，有利于將信號中頻率相近的成分或相對微弱的高頻成分提取出來，以此達(dá)到有效改善EMD分解的模式混疊問題。 本文對DEMD時頻分析方法進行了深入研究。在此基礎(chǔ)上，，針對DEMD分解過程中出現(xiàn)的端點效應(yīng)等問題提出了解決方案。并且將抑制端點效應(yīng)后DEMD時頻分析方法應(yīng)用到旋轉(zhuǎn)機械故障診斷過程當(dāng)中。 針對DEMD存在的端點效應(yīng)問題，提出了基于HMM誤差校正與神經(jīng)網(wǎng)絡(luò)延拓的抑制DEMD端點效應(yīng)的方法。首先，利用神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測方法對端點以內(nèi)的部分原始數(shù)據(jù)進行估計，同時對端點外數(shù)據(jù)進行預(yù)測，計算這種方法估計的數(shù)據(jù)與真實數(shù)據(jù)的誤差序列。再用HMM方法建立估計誤差序列模型，用模型參數(shù)預(yù)測延拓后數(shù)據(jù)的誤差。最后用神經(jīng)網(wǎng)絡(luò)延拓數(shù)據(jù)減去HMM預(yù)測的誤差數(shù)據(jù)得到新的校正后的延拓數(shù)據(jù)。仿真與實驗證明此方法能夠較好的抑制DEMD的端點效應(yīng)，提高DEMD的分解精度。 針對在噪聲環(huán)境下微弱高頻有用信號的故障特征難以提取的問題，提出了一種基于DEMD和小波漸進半軟閾值去噪的方法。首先，用DEMD對帶有噪聲的故障信號進行分解，得到各本征模函數(shù)(Intrinsic Mode Function, IMF)。然后用小波漸進半軟閾值去噪方法對各IMF分量進行處理，得到去噪后的IMF分量。最后用去噪后的IMF分量重構(gòu)信號，得到去噪后的振動信號。此方法能達(dá)到比直接用小波去噪更好的去噪效果。 在旋轉(zhuǎn)機械故障診斷的故障類型分類識別方面，提出一種基于DEMD和隱馬爾可夫模型(Hidden Markov Mode, HMM)的旋轉(zhuǎn)機械故障診斷方法。針對旋轉(zhuǎn)機械的單一故障，先對故障信號進行DEMD分解，從分解后的信號中提取瞬時能量作為故障特征向量。然后，將得到的故障特征向量分別輸入HMM分類器進行模式識別，輸出各故障狀態(tài)的似然概率值，以最大似然概率所對應(yīng)的故障狀態(tài)作為診斷結(jié)果，實現(xiàn)旋轉(zhuǎn)機械故障識別。針對旋轉(zhuǎn)機械的耦合故障，利用DEMD分解振動信號后，提取瞬時能量譜與Hilbert邊際譜特征，構(gòu)成二維時頻特征向量，輸入2D-HMM分類器，輸出識別結(jié)果。這樣就能從時域和頻域兩個角度描述信號，實現(xiàn)旋轉(zhuǎn)機械耦合故障的識別、分類。
【關(guān)鍵詞】：故障診斷 DEMD 旋轉(zhuǎn)機械 去噪 端點效應(yīng) HMM
【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】：2014
【分類號】：TH165.3;TN911.4
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-18
• 1.1 課題背景及研究意義11-14
• 1.1.1 旋轉(zhuǎn)機械故障診斷的背景及研究意義11-12
• 1.1.2 旋轉(zhuǎn)機械故障診斷技術(shù)的研究內(nèi)容12-14
• 1.2 時頻分析方法的發(fā)展及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用14-16
• 1.2.1 STFT 的發(fā)展及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用14
• 1.2.2 WVD 的發(fā)展及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用14-15
• 1.2.3 小波變換的發(fā)展及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用15
• 1.2.4 EMD 的發(fā)展及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用15-16
• 1.3 HMM 的提出及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用16-17
• 1.4 項目來源及本文研究內(nèi)容17-18
• 第2章 基于 DEMD 的時頻分析方法18-29
• 2.1 前言18
• 2.2 EMD 基本原理及算法研究18-23
• 2.2.1 瞬時頻率與本征模函數(shù)18-20
• 2.2.2 EMD 基本原理和算法20-23
• 2.3 DEMD 的原理與算法23-27
• 2.3.1 DEMD 原理23-24
• 2.3.2 DEMD 算法24-26
• 2.3.3 DEMD 與 EMD 的分解效果對比26-27
• 2.4 DEMD 的端點效應(yīng)27-28
• 2.5 本章小結(jié)28-29
• 第3章 基于 HMM 校正與神經(jīng)網(wǎng)絡(luò)延拓的 DEMD 端點效應(yīng)抑制方法29-41
• 3.1 前言29
• 3.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)延拓方法29-30
• 3.3 HMM 模型的基本理論30-33
• 3.3.1 馬爾可夫鏈30-31
• 3.3.2 HMM 的定義31-33
• 3.4 基于 HMM 的預(yù)測數(shù)據(jù)校正算法33-34
• 3.5 HMM 與神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)延拓方法結(jié)合抑制端點效應(yīng)34-36
• 3.6 仿真實驗分析36-40
• 3.6.1 支撐松動故障動力學(xué)模型36-38
• 3.6.2 數(shù)值仿真38-40
• 3.7 本章小結(jié)40-41
• 第4章 基于 DEMD 與小波漸進半軟閾值去噪方法41-48
• 4.1 前言41
• 4.2 小波漸進半軟閾值去噪方法41-43
• 4.3 基于 DEMD 與小波漸進半軟閾值的去噪方法43-44
• 4.4 仿真實驗分析44-47
• 4.5 本章小結(jié)47-48
• 第5章 基于 DEMD 和 HMM 的旋轉(zhuǎn)機械故障診斷方法48-66
• 5.1 前言48
• 5.2 基于 DEMD 的故障特征提取方法48-49
• 5.2.1 基于 DEMD 的瞬時能量特征提取方法48-49
• 5.2.2 基于 DEMD 的邊際譜故障特征提取方法49
• 5.3 基于 DEMD-HMM 的單一故障模型識別49-55
• 5.3.1 基于 DEMD-HMM 的故障診斷方法49-50
• 5.3.2 滾動軸承點蝕故障實驗分析50-55
• 5.4 基于 DEMD 與 HMM 的旋轉(zhuǎn)機械耦合故障診斷55-65
• 5.4.1 2D-HMM 基本理論56-58
• 5.4.2 基于 DEMD 與 2D-HMM 故障診斷方法58-59
• 5.4.3 數(shù)值仿真與實驗59-65
• 5.5 本章小結(jié)65-66
• 結(jié)論66-68
• 參考文獻(xiàn)68-75
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果75-76
• 致謝76-77
• 作者簡介77

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 閆曉麗;基于DEMD的時頻分析方法及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用[D];燕山大學(xué);2014年

本文編號：572321