高壓隔膜泵作為礦漿管道輸送核心動力設(shè)備,保證其正常工作狀態(tài)至關(guān)重要。單向閥是高壓隔膜泵核心部件之一,因工作于高壓、磨蝕、腐蝕礦漿環(huán)境,更容易出現(xiàn)故障。為使高壓隔膜泵健康、高效運轉(zhuǎn),單向閥故障診斷具有重大意義。然而,單向閥振動信號采集困難且具有非線性、非平穩(wěn)的特點,給單向閥振動信號處理及故障診斷帶來極大困難。單向閥運行狀態(tài)與輸送壓力、漿體流變特性相關(guān),且故障具有突發(fā)性,使單向閥故障診斷更加困難,因此對單向閥進行故障診斷極具挑戰(zhàn)性且意義重大。本文以單向閥振動信號為對象,進行信號處理、特征提取、分類及故障診斷等研究。本文研究內(nèi)容如下:（1）提出一種硬閾值、軟閾值改進的新閾值降噪方法。該方法可有效消除硬閾值在信號不連續(xù)點處產(chǎn)生的Gibbs效應(yīng)、解決軟閾值法中的小波重構(gòu)信號與原信號誤差較大的問題。通過實驗仿真,證明該方法能取得良好降噪效果,并用于實現(xiàn)單向閥振動信號的降噪處理。（2）采用一種互補集合經(jīng)驗?zāi)B(tài)分解（Complementary Ensemble Empirical Modal Decomposition,CEEMD）與本征模態(tài)分量（Intrinsic Mode Function,IMF... 

【文章頁數(shù)】：99 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 精礦漿體管道發(fā)展概況
        1.1.2 礦漿管道中隔膜泵的重要作用
        1.1.3 隔膜泵單向閥故障診斷的重要意義
    1.2 往復(fù)式機械設(shè)備故障診斷國內(nèi)外研究現(xiàn)狀
        1.2.1 往復(fù)式設(shè)備時頻域分析方法研究現(xiàn)狀
        1.2.2 往復(fù)式設(shè)備模式識別方法研究現(xiàn)狀
    1.3 本文研究內(nèi)容
        1.3.1 論文研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)安排
    1.4 本章小結(jié)
第二章 信號處理及故障診斷方法概述
    2.1 小波變換
        2.1.1 小波變換
        2.1.2 小波函數(shù)及其選擇
    2.2 經(jīng)驗?zāi)B(tài)分解
        2.2.1 經(jīng)驗?zāi)B(tài)分解
        2.2.2 集合經(jīng)驗?zāi)B(tài)分解
    2.3 局部均值分解
    2.4 最小二乘支持向量機
        2.4.1 支持向量機
        2.4.2 最小二乘支持向量機
    2.5 本章小結(jié)
第三章 基于小波理論的單向閥振動信號降噪研究
    3.1 小波降噪理論綜述
    3.2 小波閾值降噪原理
        3.2.1 閾值去噪原理
        3.2.2 閾值模型
        3.2.3 降噪效果評估
    3.3 硬閾值法與軟閾值法及其改進
        3.3.1 硬閾值與軟閾值
        3.3.2 改進閾值降噪法
    3.4 小波閾值降噪實驗研究
        3.4.1 仿真信號可行性分析
        3.4.2 基于改進閾值法的仿真信號降噪分析
    3.5 本章小結(jié)
第四章 基于CEEMD-SVD-LSSVM的單向閥故障診斷
    4.1 單向閥故障診斷總體方案設(shè)計
    4.2 互補集合經(jīng)驗?zāi)B(tài)分解
        4.2.1 互補集合經(jīng)驗?zāi)B(tài)分解原理
        4.2.2 仿真信號分解對比實驗
        4.2.3 單向閥振動信號分解
    4.3 奇異值分解特征提取方法
        4.3.1 能量分析與互相關(guān)分析
        4.3.2 奇異值分解特征提取
        4.3.3 單向閥振動信號特征提取
    4.4 基于CEEMD-SVD-LSSVM的單向閥故障診斷
    4.5 本章小結(jié)
第五章 基于LMD及PSO優(yōu)化LSSVM的單向閥故障診斷
    5.1 單向閥故障診斷總體方案設(shè)計
    5.2 基于粒子群算法的最小二乘支持向量機參數(shù)選取
        5.2.1 粒子群算法原理
        5.2.2 優(yōu)化參數(shù)的求取
    5.3 基于LMD及PSO優(yōu)化LSSVM的單向閥故障診斷
        5.3.1 局部均值分解及特征提取
        5.3.2 PSO優(yōu)化LSSVM在故障診斷中的應(yīng)用
    5.4 本章小結(jié)
第六章 單向閥故障診斷系統(tǒng)
    6.1 系統(tǒng)建設(shè)背景
    6.2 系統(tǒng)整體架構(gòu)
    6.3 硬件系統(tǒng)與數(shù)據(jù)采集
        6.3.1 硬件系統(tǒng)構(gòu)成
        6.3.2 信號采集
    6.4 故障診斷系統(tǒng)實現(xiàn)
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文主要研究成果
    7.2 研究展望
致謝
參考文獻
附錄A (攻讀碩士期間發(fā)表的論文)
附錄B (攻讀碩士期間授權(quán)的專利)
附錄C (攻讀碩士期間授權(quán)的軟件著作權(quán))


【參考文獻】：
期刊論文
[1]基于小波變換的圖像壓縮中小波基的評價與選取[J]. 甘宸伊,姚遠(yuǎn),楊彥偉,劉小兵,高喆榮.  兵器裝備工程學(xué)報. 2016(12)
[2]基于融合模糊推理的關(guān)鍵設(shè)備運行安全評價[J]. 陳濤,徐小力,王立勇.  自動化與儀表. 2016(04)
[3]概率神經(jīng)網(wǎng)絡(luò)在往復(fù)壓縮機多故障診斷技術(shù)研究中的應(yīng)用[J]. 彭琦,馬波.  機械設(shè)計與制造. 2016(04)
[4]漿體長距離管道輸送全過程壓力變化分析[J]. 吳優(yōu),秦德慶,夏建新.  礦冶工程. 2016(01)
[5]基于聲強試驗與EMD-ICA模型的柴油機噪聲源識別研究[J]. 杜憲峰,范文強,孫福強,張磊.  小型內(nèi)燃機與車輛技術(shù). 2015(05)
[6]基于小波包頻帶能量特征和BP神經(jīng)網(wǎng)絡(luò)的滾動軸承智能故障診斷[J]. 潘崢嶸,劉雄,譙自健.  自動化與儀器儀表. 2015(05)
[7]基于小波包-AR譜和支持向量機的連桿軸承故障診斷[J]. 常春,王國威,梅檢民,張玲玲,郭正.  軍事交通學(xué)院學(xué)報. 2015(04)
[8]基于EEMD和Hilbert邊際譜的天然氣壓縮機故障診斷[J]. 方超.  濰坊學(xué)院學(xué)報. 2015(02)
[9]S能量譜特征提取在軸承故障診斷中的應(yīng)用[J]. 王子佳,范玉剛,吳建德.  計算機工程與應(yīng)用. 2015(18)
[10]基于PCA的往復(fù)壓縮機氣閥故障異常監(jiān)測方法[J]. 徐豐甜,李建,孔祥宇,李村波,江志農(nóng),張進杰.  流體機械. 2014(10)

博士論文
[1]列車滾動軸承振動信號的特征提取及診斷方法研究[D]. 熊慶.西南交通大學(xué) 2015
[2]非平穩(wěn)信號特征提取方法研究及其在內(nèi)燃機故障診斷中的應(yīng)用[D]. 王霞.天津大學(xué) 2015
[3]滾動軸承振動信號特征提取及診斷方法研究[D]. 朱可恒.大連理工大學(xué) 2013

碩士論文
[1]管道固—液兩相漿體輸送理論研究[D]. 盧勇.湖南大學(xué) 2015
[2]基于LM-BP神經(jīng)網(wǎng)絡(luò)的多級往復(fù)式壓縮機氣閥故障診斷研究[D]. 張華.東華大學(xué) 2015
[3]城軌列車走行部滾動軸承故障診斷算法研究[D]. 張坤.北京交通大學(xué) 2015
[4]小波分析在信號降噪中的應(yīng)用研究[D]. 張臣國.電子科技大學(xué) 2012
[5]隔膜泵單向閥聲發(fā)射信號的采集監(jiān)測與分析研究[D]. 馮婷.昆明理工大學(xué) 2012



本文編號：3684097