發(fā)布時(shí)間：2021-01-08 02:46

　　機(jī)械設(shè)備是制造業(yè)中重要的組成環(huán)節(jié)之一,隨著人工智能產(chǎn)業(yè)的逐漸興起,制造業(yè)也融入了智能化元素。機(jī)械設(shè)備的工作環(huán)境大多比較惡劣,并且機(jī)械設(shè)備結(jié)構(gòu)復(fù)雜、各零件之間關(guān)系緊密且相互配合,同時(shí)在機(jī)械設(shè)備中滾動軸承的使用頻率最高,所以容易受到磨損,而滾動軸承能否正常運(yùn)轉(zhuǎn)直接決定整個(gè)機(jī)械設(shè)備的運(yùn)轉(zhuǎn)情況。所以,本課題對機(jī)械設(shè)備的滾動軸承的各種故障類型信號進(jìn)行特征提取,并設(shè)計(jì)分類器模型進(jìn)行故障診斷。本文首先通過小波分析對信號進(jìn)行降噪處理,由于單個(gè)傳感器中采集到的信號可能存在多種故障類型信號,所以本文選取ICA算法實(shí)現(xiàn)盲信號特征提取,將不同類型的故障信號進(jìn)行分離,以便后續(xù)對單一故障類型信號進(jìn)行處理。本文選取EMD方法對單一故障信號進(jìn)行特征提取,由于EMD分解中存在端點(diǎn)效應(yīng),引入支持向量回歸改善EMD分解效果。然后根據(jù)能量分布情況,確定分解層數(shù),獲得特征向量。同時(shí),本文還引入了AR模型,將EMD分解方法和AR模型相結(jié)合,以AR模型的自回歸系數(shù)和模型方差作為特征向量。同時(shí),針對故障信號的準(zhǔn)確分類,建立故障診斷分類模型,用于測試兩種故障特征提取的方法。首先,設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)主分類器結(jié)構(gòu),引入彈性網(wǎng)絡(luò)抑制其過擬合現(xiàn)象... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

新的雙穩(wěn)態(tài)模型去噪效果[11]

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-3-征提齲對比結(jié)果驗(yàn)證了該方法的優(yōu)越性，在機(jī)械弱故障特征提取中十分有效。圖1-1新的雙穩(wěn)態(tài)模型去噪效果[11]2015年，B.Chouri等人引入alpha穩(wěn)定分布對故障軸承振動信號進(jìn)行特征提取，通過非高斯模型能夠準(zhǔn)確地描述具有脈沖行為的軸承故障信號的統(tǒng)計(jì)特性，并采用加權(quán)向量機(jī)實(shí)現(xiàn)自動故障診斷，仿真結(jié)果表明，該方法性能優(yōu)良[12]。Dhamande,LaxmikantS.等人對單級直齒圓柱齒輪箱在齒輪和軸承均有缺陷的情況下進(jìn)行振動分析，設(shè)計(jì)了一套狀態(tài)監(jiān)測裝置，如圖1-2所示，用于分析軸承外套圈缺陷和齒輪損壞情況，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷提出了一種利用振動信號分析多部件缺陷的損傷檢測新方法[13]。圖1-2狀態(tài)監(jiān)測試驗(yàn)臺[13]2017年，A.Krishnakumari等人對直齒圓柱齒輪的狀態(tài)監(jiān)測和故障診斷作為模式識別進(jìn)行研究，通過偏度、標(biāo)準(zhǔn)差、波峰因子等統(tǒng)計(jì)特征作為信號特征，利用決策樹進(jìn)行特征提取，篩選出最佳特征，建立模糊分類器，將最優(yōu)特征用于訓(xùn)練模糊分類器進(jìn)行故障診斷[14]。2018年，Roy,Mohendra提出了基于傳統(tǒng)的自動編碼器和在線順序極限學(xué)習(xí)機(jī)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-4-（OLELM）的堆棧，開發(fā)了一種在線狀態(tài)監(jiān)視的自動特征提取方法[15]，其神經(jīng)網(wǎng)絡(luò)的堆棧排列如圖1-3所示。他改善了傳統(tǒng)自動編碼器局限于圖像和音頻處理領(lǐng)域的缺點(diǎn)。該方法對于NASA軸承數(shù)據(jù)集的軸承健康狀態(tài)提取上可以達(dá)到100%的檢測精度。同時(shí)該方法的設(shè)計(jì)為基于物聯(lián)網(wǎng)的硬件實(shí)現(xiàn)也提供了便利。圖1-3在線特征提取和狀態(tài)監(jiān)測的神經(jīng)網(wǎng)絡(luò)的堆棧排列[15]1.2.2國內(nèi)研究現(xiàn)狀雖然我國對于機(jī)械振動信號特征提取和診斷技術(shù)起步較晚，尤其基礎(chǔ)的信號處理技術(shù)研究較少，但是，近年來我國也有很多優(yōu)秀的學(xué)者在這方面取得巨大的成果，國內(nèi)也出現(xiàn)更多性能優(yōu)越的模型和算法。2008年，劉林、王一華將小波變換和模糊理論一起研究，能實(shí)現(xiàn)有效監(jiān)測[16]。采用統(tǒng)計(jì)規(guī)則的方法自適應(yīng)地確定小波空間各階的閾值和分解水平，增加信噪比。通過小波變換獲取有效特征向量，并基于相關(guān)矩陣通過模糊診斷方程對故障模式進(jìn)行分類，網(wǎng)絡(luò)結(jié)構(gòu)由擴(kuò)展卡爾曼濾波實(shí)現(xiàn)，討論了故障診斷算法的魯棒性。經(jīng)測試，該方法可以有效得診斷發(fā)動機(jī)的振動故障。2015年，龍寒等人提出了一種基于改進(jìn)的Fast-ICA算法和小波包能譜的特征提取方法[17]。獨(dú)立成分分析算法（Independentcomponentanalysis，ICA）只能分離混合信號，而收斂速度且效果不充分。該作者還提出用三階牛頓迭代法對Fast-ICA算法進(jìn)行改進(jìn)。改進(jìn)后的Fast-ICA算法具有更高的收斂速度和更高的精度。此外，作者還采用SVM算法進(jìn)行故障診斷，結(jié)果表明，該方法在特征提取中是足夠有效的，并且可以準(zhǔn)確的識別出軸承的輕微損壞和斷裂。JianJiaPan等人在信號處理和機(jī)器學(xué)習(xí)的領(lǐng)域中對信號進(jìn)行處理，依據(jù)自適應(yīng)的極值經(jīng)驗(yàn)?zāi)B(tài)分解法，提出了一種基于時(shí)間序列的分解-預(yù)測-集成的方法。將人


本文編號：2963754