本文選題：軍用航空發(fā)動機 + 滾動軸承��； 參考：《吉林大學(xué)》2017年碩士論文

【摘要】：隨著科學(xué)技術(shù)的發(fā)展,對于軍用航空發(fā)動機的可靠性要求日益增高。然而由于功能的不斷擴展,服役條件的苛刻,使得軍用航空發(fā)動機機械零件的結(jié)構(gòu)日趨復(fù)雜,發(fā)生故障的概率也越來越高。造成軍用航空發(fā)動機零部件故障或失效的原因錯綜復(fù)雜,受到人為失誤、材料缺陷、使用環(huán)境變化,以及疲勞、磨損和老化效應(yīng)等很多因素的影響。這樣就使軍用航空發(fā)動機的故障診斷和分析越來越困難,需要更多的航空維修保障工作也要消耗大量人力物力去保障飛機的可靠性。傳統(tǒng)的故障診斷技術(shù)雖然能夠進行故障診斷,但是診斷的效率和準(zhǔn)確率都不高。本文針對軍用航空發(fā)動機故障診斷領(lǐng)域的迫切需求,應(yīng)用數(shù)據(jù)挖掘的理論方法和技術(shù),將神經(jīng)網(wǎng)絡(luò)和流形學(xué)習(xí)算法相結(jié)合應(yīng)用到軍用航空發(fā)動機的故障診斷。本文介紹了故障診斷技術(shù)和數(shù)據(jù)挖掘技術(shù)的國內(nèi)外研究現(xiàn)狀,以及軍用航空發(fā)動機滾動軸承故障診斷所需的背景知識,包括基本的振動機理,常見的故障類型和傳統(tǒng)的診斷方法,然后詳細說明了滾動軸承振動信號的特征。本文詳細講解并比較神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域常用的兩種分類器PNN和SOM,通過實驗分析驗證了SOM分類器在故障診斷應(yīng)用中效果更好。深入研究流形學(xué)習(xí)的理論和方法,分析了常見的三種流形學(xué)習(xí)算法:ISOMAP、LLE和LE。比較了傳統(tǒng)的線性降維方法PCA和非線性降維方法LE,并提出LE算法的改進方案,用改進后的距離函數(shù)代替原來的歐式距離函數(shù),能更好的反應(yīng)高維數(shù)據(jù)集的局部結(jié)構(gòu)信息,提高LE算法的性能。本文主要研究的是軍用航空發(fā)動機滾動軸承的故障診斷問題,滾動軸承是軍用航空發(fā)動機中最核心的零部件之一,在其中起著承受及傳遞載荷的作用,其運行狀態(tài)對發(fā)動機的工作狀態(tài)影響極大。而一旦滾動軸承發(fā)生故障,則會使發(fā)動機轉(zhuǎn)子振動不斷增大,更嚴重的話會造成發(fā)動機損壞,進而造成嚴重的飛行事故。因此,對航空發(fā)動機滾動軸承進行狀態(tài)監(jiān)測和故障診斷,確保其正常工作對發(fā)動機甚至飛機的安全可靠地工作是至關(guān)重要的。本文采用小波變換對獲取到的滾動軸承振動信號進行降噪處理,利用時域和頻域分析法提取振動信號的特征屬性,構(gòu)建故障樣本集。本文提出了結(jié)合SOM和改進后的LE算法進行故障診斷的新模式,設(shè)定了軍用航空發(fā)動機滾動軸承進行故障診斷的一般步驟,并使用該模式首次運用到軍用航空發(fā)動機故障診斷領(lǐng)域。實驗結(jié)果表明,該模式可以有效地提高軍用航空發(fā)動機滾動軸承故障診斷的效率和準(zhǔn)確率。
[Abstract]:With the development of science and technology, the reliability requirement of military aero-engine is increasing day by day.However, due to the continuous expansion of the function and the harsh service conditions, the structure of the military aero-engine mechanical parts is becoming more and more complex, and the probability of failure is becoming higher and higher.The causes of failure or failure of military aero-engine parts are complicated and affected by human error, material defects, use environment change, fatigue, wear and aging effects and so on.In this way, it is more and more difficult to diagnose and analyze the malfunction of military aero-engine, and it is necessary to consume a lot of manpower and material resources to ensure the reliability of aircraft.Although the traditional fault diagnosis technology can carry on the fault diagnosis, but the diagnosis efficiency and the accuracy are not high.In order to meet the urgent need in the field of military aero-engine fault diagnosis, this paper applies the theory and technology of data mining, combining neural network and manifold learning algorithm, to the fault diagnosis of military aero-engine.This paper introduces the research status of fault diagnosis technology and data mining technology at home and abroad, as well as the background knowledge needed for the fault diagnosis of rolling bearing of military aero-engine, including the basic vibration mechanism.Common fault types and traditional diagnosis methods, and then the characteristics of rolling bearing vibration signal are described in detail.In this paper, two kinds of classifiers, PNN and SOM, which are commonly used in the field of fault diagnosis by neural network are explained and compared in detail. The experimental results show that the SOM classifier is more effective in fault diagnosis.In this paper, the theory and method of manifold learning are deeply studied, and three common manifold learning algorithms, namely: ISOISOMAPLLE and le, are analyzed.Compared with the traditional linear dimensionality reduction method (PCA) and the nonlinear dimensionality reduction method (LEE), an improved method of le algorithm is proposed. The improved distance function is used to replace the original Euclidean distance function, which can better reflect the local structure information of the high dimensional data set.Improve the performance of le algorithm.This paper mainly studies the problem of fault diagnosis of military aeroengine rolling bearing, which is one of the core parts of military aero-engine, and plays the role of bearing and transferring load.The operating state of the engine has a great influence on the working state of the engine.Once the rolling bearing fails, the vibration of the engine rotor will increase, and the engine will be damaged, and then the serious flight accident will be caused.Therefore, the condition monitoring and fault diagnosis of the aeroengine rolling bearing is very important to the safety and reliability of the engine and even the aircraft.In this paper, wavelet transform is used to reduce the noise of the vibration signal of rolling bearing. The characteristic attributes of vibration signal are extracted by time-domain and frequency-domain analysis, and the fault sample set is constructed.In this paper, a new mode of fault diagnosis based on SOM and improved le algorithm is proposed, and the general steps of fault diagnosis for rolling bearings of military aero-engine are set up.The model is used in the field of military aero engine fault diagnosis for the first time.The experimental results show that the model can effectively improve the efficiency and accuracy of rolling bearing fault diagnosis of military aero-engine.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：V263.6;TP18;TP311.13

【相似文獻】

相關(guān)期刊論文 前10條

1 劉志勇;;基于保距與保拓撲的流形學(xué)習(xí)算法[J];長江大學(xué)學(xué)報(自然科學(xué)版)理工卷;2010年02期

2 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2012年03期

3 黃鴻;李見為;馮海亮;;融合局部和全局結(jié)構(gòu)的流形學(xué)習(xí)[J];光學(xué)精密工程;2009年03期

4 賀廣南;楊育彬;;基于流形學(xué)習(xí)的圖像檢索算法研究[J];山東大學(xué)學(xué)報(工學(xué)版);2010年05期

5 金波;;基于年齡流形的人臉圖像年齡識別[J];中國新技術(shù)新產(chǎn)品;2011年01期

6 高崢;杜川;;基于流形學(xué)習(xí)算法的人臉識別研究[J];河南機電高等�？茖W(xué)校學(xué)報;2011年04期

7 詹煒;;流形學(xué)習(xí)算法概述[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報;2013年02期

8 丁玲;唐娉;李宏益;;基于流形學(xué)習(xí)的混合光譜解混分析[J];紅外與激光工程;2013年09期

9 顧艷春;;一種基于線性插值的流形學(xué)習(xí)算法[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(自然科學(xué)版);2013年01期

10 張輝遠;;基于高光譜影像的流形學(xué)習(xí)降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

相關(guān)會議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學(xué)習(xí)算法分析及在人臉數(shù)據(jù)庫上的應(yīng)用[A];2008年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(上冊)[C];2008年

2 劉曉平;季浩;鄧偉財;;基于流形學(xué)習(xí)的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學(xué)習(xí)的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學(xué)術(shù)會議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學(xué)習(xí)的故障模式識別方法[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 蘇祖強;基于泛化流形學(xué)習(xí)的風(fēng)電機組傳動系統(tǒng)早期故障診斷方法研究[D];重慶大學(xué);2015年

2 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

3 邢向磊;流形學(xué)習(xí)與稀疏表示在模式識別中的應(yīng)用[D];南京大學(xué);2013年

4 盧磊;機械加工過程中的早期故障微弱信號處理方法研究[D];哈爾濱工業(yè)大學(xué);2016年

5 郝中華;基于微分流形的非線性降維方法研究[D];上海大學(xué);2016年

6 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

7 杜春;流形學(xué)習(xí)及其應(yīng)用算法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

8 黃鴻;圖嵌入框架下流形學(xué)習(xí)理論及應(yīng)用研究[D];重慶大學(xué);2008年

9 尹峻松;流形學(xué)習(xí)理論與方法研究及在人臉識別中的應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2007年

10 黃啟宏;流形學(xué)習(xí)方法理論研究及圖像中應(yīng)用[D];電子科技大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機械故障識別方法研究[D];燕山大學(xué);2015年

2 丁春濤;基于圖嵌入的判別近鄰分析研究及應(yīng)用[D];蘇州大學(xué);2015年

3 余嬋娟;交互式人臉檢索中人機人臉認知一致性研究[D];上海大學(xué);2015年

4 陳明霞;基于半監(jiān)督的多流形學(xué)習(xí)算法研究[D];華僑大學(xué);2015年

5 顧陽陽;基于流形學(xué)習(xí)的雷達輻射源識別技術(shù)[D];西安電子科技大學(xué);2014年

6 高漢宇;基于最優(yōu)r-覆蓋堆積數(shù)本征維數(shù)估計方法及其應(yīng)用[D];西安電子科技大學(xué);2014年

7 羅廷金;基于流形學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 周韻然;基于流形學(xué)習(xí)的A股上市公司抽樣的信用評價[D];電子科技大學(xué);2014年

9 史仍浩;基于流形學(xué)習(xí)的在線社會網(wǎng)絡(luò)節(jié)點分類[D];上海交通大學(xué);2013年

10 陳詩文;流形學(xué)習(xí)在數(shù)據(jù)降維中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

，

本文編號：1734055