機械設備故障特征提取技術研究
發(fā)布時間：2021-01-08 02:46
機械設備是制造業(yè)中重要的組成環(huán)節(jié)之一,隨著人工智能產業(yè)的逐漸興起,制造業(yè)也融入了智能化元素。機械設備的工作環(huán)境大多比較惡劣,并且機械設備結構復雜、各零件之間關系緊密且相互配合,同時在機械設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轉直接決定整個機械設備的運轉情況。所以,本課題對機械設備的滾動軸承的各種故障類型信號進行特征提取,并設計分類器模型進行故障診斷。本文首先通過小波分析對信號進行降噪處理,由于單個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算法實現盲信號特征提取,將不同類型的故障信號進行分離,以便后續(xù)對單一故障類型信號進行處理。本文選取EMD方法對單一故障信號進行特征提取,由于EMD分解中存在端點效應,引入支持向量回歸改善EMD分解效果。然后根據能量分布情況,確定分解層數,獲得特征向量。同時,本文還引入了AR模型,將EMD分解方法和AR模型相結合,以AR模型的自回歸系數和模型方差作為特征向量。同時,針對故障信號的準確分類,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,設計了神經網絡主分類器結構,引入彈性網絡抑制其過擬合現象...
【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校
【文章頁數】：73 頁
【學位級別】：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)大學工學碩士學位論文-3-征提齲對比結果驗證了該方法的優(yōu)越性，在機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行特征提取，通過非高斯模型能夠準確地描述具有脈沖行為的軸承故障信號的統(tǒng)計特性，并采用加權向量機實現自動故障診斷，仿真結果表明，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行振動分析，設計了一套狀態(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，利用神經網絡進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行研究，通過偏度、標準差、波峰因子等統(tǒng)計特征作為信號特征，利用決策樹進行特征提取，篩選出最佳特征，建立模糊分類器，將最優(yōu)特征用于訓練模糊分類器進行故障診斷[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習機
哈爾濱工業(yè)大學工學碩士學位論文-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]，其神經網絡的堆棧排列如圖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域的缺點。該方法對于NASA軸承數據集的軸承健康狀態(tài)提取上可以達到100%的檢測精度。同時該方法的設計為基于物聯網的硬件實現也提供了便利。圖1-3在線特征提取和狀態(tài)監(jiān)測的神經網絡的堆棧排列[15]1.2.2國內研究現狀雖然我國對于機械振動信號特征提取和診斷技術起步較晚，尤其基礎的信號處理技術研究較少，但是，近年來我國也有很多優(yōu)秀的學者在這方面取得巨大的成果，國內也出現更多性能優(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，能實現有效監(jiān)測[16]。采用統(tǒng)計規(guī)則的方法自適應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，并基于相關矩陣通過模糊診斷方程對故障模式進行分類，網絡結構由擴展卡爾曼濾波實現，討論了故障診斷算法的魯棒性。經測試，該方法可以有效得診斷發(fā)動機的振動故障。2015年，龍寒等人提出了一種基于改進的Fast-ICA算法和小波包能譜的特征提取方法[17]。獨立成分分析算法（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算法進行改進。改進后的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算法進行故障診斷，結果表明，該方法在特征提取中是足夠有效的，并且可以準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器學習的領域中對信號進行處理，依據自適應的極值經驗模態(tài)分解法，提出了一種基于時間序列的分解-預測-集成的方法。將人
本文編號：2963754
【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校
【文章頁數】：73 頁
【學位級別】：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)大學工學碩士學位論文-3-征提齲對比結果驗證了該方法的優(yōu)越性，在機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行特征提取，通過非高斯模型能夠準確地描述具有脈沖行為的軸承故障信號的統(tǒng)計特性，并采用加權向量機實現自動故障診斷，仿真結果表明，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行振動分析，設計了一套狀態(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，利用神經網絡進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行研究，通過偏度、標準差、波峰因子等統(tǒng)計特征作為信號特征，利用決策樹進行特征提取，篩選出最佳特征，建立模糊分類器，將最優(yōu)特征用于訓練模糊分類器進行故障診斷[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習機
哈爾濱工業(yè)大學工學碩士學位論文-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]，其神經網絡的堆棧排列如圖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域的缺點。該方法對于NASA軸承數據集的軸承健康狀態(tài)提取上可以達到100%的檢測精度。同時該方法的設計為基于物聯網的硬件實現也提供了便利。圖1-3在線特征提取和狀態(tài)監(jiān)測的神經網絡的堆棧排列[15]1.2.2國內研究現狀雖然我國對于機械振動信號特征提取和診斷技術起步較晚，尤其基礎的信號處理技術研究較少，但是，近年來我國也有很多優(yōu)秀的學者在這方面取得巨大的成果，國內也出現更多性能優(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，能實現有效監(jiān)測[16]。采用統(tǒng)計規(guī)則的方法自適應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，并基于相關矩陣通過模糊診斷方程對故障模式進行分類，網絡結構由擴展卡爾曼濾波實現，討論了故障診斷算法的魯棒性。經測試，該方法可以有效得診斷發(fā)動機的振動故障。2015年，龍寒等人提出了一種基于改進的Fast-ICA算法和小波包能譜的特征提取方法[17]。獨立成分分析算法（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算法進行改進。改進后的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算法進行故障診斷，結果表明，該方法在特征提取中是足夠有效的，并且可以準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器學習的領域中對信號進行處理，依據自適應的極值經驗模態(tài)分解法，提出了一種基于時間序列的分解-預測-集成的方法。將人
本文編號：2963754
本文鏈接：http://sikaile.net/kejilunwen/xinxigongchenglunwen/2963754.html
