發(fā)布時間：2017-10-06 21:33

  本文關(guān)鍵詞：基于極大聯(lián)合熵相空間重構(gòu)和RQA的軸承故障診斷

  更多相關(guān)文章： 故障診斷 相空間重構(gòu) 聯(lián)合熵 符號分析 遞歸圖 遞歸定量分析 GG模糊聚類

【摘要】：軸承作為旋轉(zhuǎn)機械中的廣泛通用部件，其缺陷和損傷將直接影響設(shè)備的穩(wěn)定運行甚至造成整個設(shè)備的損壞，因此軸承的故障診斷與識別極為重要。但其故障信號所呈現(xiàn)出的非線性和非平穩(wěn)特性，使得傳統(tǒng)的建立在信號平穩(wěn)性基礎(chǔ)上的故障特征提取方法受到限制。針對機械故障振動信號所具有的復(fù)雜特性，本文提出了一種基于極大聯(lián)合熵相空間重構(gòu)和遞歸圖定量分析技術(shù)的軸承故障診斷方法，同時采用GG(Gath-Geva)聚類算法對故障信號進行狀態(tài)識別，并將上述理論研究應(yīng)用在滾動軸承和轉(zhuǎn)軸故障檢測中。 首先，介紹了常見振動故障形式和故障頻率的計算方法，闡述了傳統(tǒng)的故障診斷方法：時域分析法和頻域分析法。 其次，分析了最佳延遲時間的極大聯(lián)合熵準則和符號分析法求取極大聯(lián)合熵所具有的明顯優(yōu)勢，提出了基于符號分析的極大聯(lián)合熵延遲時間求取新方法，結(jié)合CAO方法求取最佳嵌入維數(shù)，，并通過一系列的數(shù)值仿真試驗證明了該方法重構(gòu)原系統(tǒng)相空間的準確、快速以及高效性。 然后，在相空間重構(gòu)參數(shù)能夠準確求取的基礎(chǔ)上，引入了以圖形的方式定性的表征系統(tǒng)動力學特性的遞歸圖方法。然后將能夠?qū)f歸圖中表現(xiàn)出來的遞歸現(xiàn)象進行量化的遞歸定量分析方法應(yīng)用到機械故障診斷中，研究了RQA(RecurrenceQuantification Analysis)的主要非線性特征量的提取，組成軸承故障識別的特征向量，結(jié)合GG模糊聚類實現(xiàn)軸承故障模式識別。 最后，以美國凱斯西儲大學的滾動軸承故障數(shù)據(jù)以及寶鋼1580SP軋機實測數(shù)據(jù)為研究對象，用本文所研究方法求取相空間重構(gòu)參數(shù)，采用遞歸定量分析和GG模糊聚類結(jié)合的方法進行故障診斷與識別。結(jié)果表明，該方法可以完成對滾動軸承和傳動系統(tǒng)軸承信號的診斷與識別。
【關(guān)鍵詞】：故障診斷 相空間重構(gòu) 聯(lián)合熵 符號分析 遞歸圖 遞歸定量分析 GG模糊聚類
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH133.3;TH165.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 機械故障診斷的意義10-11
• 1.2 機械故障診斷的研究現(xiàn)狀和發(fā)展趨勢11-12
• 1.2.1 機械故障診斷的研究現(xiàn)狀11
• 1.2.2 機械故障診斷的發(fā)展趨勢11-12
• 1.3 故障診斷的基本過程12-13
• 1.4 論文的主要研究內(nèi)容13-15
• 第2章 機械設(shè)備故障形式及診斷方法15-21
• 2.1 常見振動故障15-17
• 2.1.1 齒輪的主要故障15
• 2.1.2 滾動軸承的主要故障15-16
• 2.1.3 齒輪箱軸主要故障16-17
• 2.2 故障頻率計算17-18
• 2.2.1 齒輪故障振動頻率17
• 2.2.2 滾動軸承振動頻率17-18
• 2.2.3 轉(zhuǎn)軸故障振動頻率18
• 2.3 傳統(tǒng)故障診斷方法18-20
• 2.3.1 時域分析法18-19
• 2.3.2 頻域分析法19-20
• 2.4 本章小結(jié)20-21
• 第3章 混沌時間序列的相空間重構(gòu)21-35
• 3.1 Takens 定理21-22
• 3.2 基于符號分析的極大聯(lián)合熵延遲時間求取方法22-25
• 3.2.1 最佳延遲時間的極大聯(lián)合熵準則22-23
• 3.2.2 符號分析法求取極大聯(lián)合熵23-25
• 3.3 CAO 方法求取最佳嵌入維數(shù)25-26
• 3.4 數(shù)值驗證26-33
• 3.5 本章小結(jié)33-35
• 第4章 遞歸圖定量分析技術(shù)和模糊聚類方法研究35-44
• 4.1 遞歸圖35-37
• 4.2 遞歸圖參數(shù)的選取37-38
• 4.3 遞歸定量分析38-39
• 4.4 模糊聚類理論39-43
• 4.4.1 模糊聚類算法39-40
• 4.4.2 聚類效果檢驗40-43
• 4.5 本章小結(jié)43-44
• 第5章 軸承故障診斷實驗分析及應(yīng)用44-67
• 5.1 滾動軸承故障診斷實驗數(shù)據(jù)44
• 5.2 不同程度損傷軸承故障診斷44-54
• 5.2.1 軸承振動信號的相空間重構(gòu)46-49
• 5.2.2 遞歸圖定性分析故障類型49-50
• 5.2.3 遞歸圖定量分析提取故障特征信號50-51
• 5.2.4 GG 聚類故障識別51-54
• 5.3 不同部位的軸承故障診斷54-61
• 5.4 故障診斷方法在 1580SP 軋機上的應(yīng)用61-66
• 5.4.1 1580SP 軋機的結(jié)構(gòu)61-62
• 5.4.2 傳動系統(tǒng)主要部件參數(shù)62-63
• 5.4.3 傳統(tǒng)方法分析63-64
• 5.4.4 遞歸圖定性分析64-65
• 5.4.5 RQA 定量分析和 GG 模糊聚類65-66
• 5.5 本章小結(jié)66-67
• 結(jié)論67-68
• 參考文獻68-72
• 攻讀碩士學位期間承擔的科研任務(wù)與主要成果72-73
• 致謝73-74
• 作者簡介74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鐘秉林;顏廷虎;;智能化故障診斷理論與方法的研究現(xiàn)狀和展望[J];東南大學學報;1993年S1期

2 程道來,吳茜,呂庭彥,陳棟;國內(nèi)電站故障診斷系統(tǒng)的現(xiàn)狀及發(fā)展方向[J];動力工程;1999年01期

3 林亞平,劉云中,周順先,陳治平,蔡立軍;基于最大熵的隱馬爾可夫模型文本信息抽取[J];電子學報;2005年02期

4 武小紅;周建江;;可能性模糊C-均值聚類新算法[J];電子學報;2008年10期

5 唐振華;喻祖國;;分數(shù)布朗運動時間序列的基于遞歸圖的網(wǎng)絡(luò)分析[J];工程數(shù)學學報;2012年04期

6 史永勝;姜穎;宋云雪;;基于符號序列聯(lián)合熵的航空發(fā)動機健康監(jiān)控方法[J];航空動力學報;2011年03期

7 王宇杰;龐兵;;機械故障智能診斷方法研究[J];黑龍江科技信息;2011年06期

8 羅一新;機械故障診斷技術(shù)趨向分析[J];機床與液壓;2002年02期

9 龔雪;;工程機械智能故障診斷技術(shù)的研究現(xiàn)狀及發(fā)展趨勢[J];機床與液壓;2011年14期

10 余建青;臧觀建;謝世坤;李強征;;旋轉(zhuǎn)機械故障診斷中的信號處理技術(shù)綜述[J];機床與液壓;2011年24期

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 楊濤;基于小波分時尺度矩特征的多狀態(tài)信息融合振動故障診斷和預(yù)測方法研究[D];華中科技大學;2009年

2 呂蓬;旋轉(zhuǎn)機械故障模式識別方法研究[D];華北電力大學（北京）;2010年

3 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

4 謝國民;基于時頻聯(lián)合小波法的采煤機關(guān)鍵部件故障診斷研究[D];遼寧工程技術(shù)大學;2012年

5 郝研;分形維數(shù)特性分析及故障診斷分形方法研究[D];天津大學;2012年

本文編號：985159