隨著我國從科技大國邁向科技強國的步伐越來越快,大型機械設(shè)備系統(tǒng)的設(shè)計愈發(fā)精密與復(fù)雜。為了減少機械設(shè)備故障帶來的損失,實現(xiàn)高效的故障診斷,提升機械設(shè)備可靠性,本文以機械設(shè)備的關(guān)鍵部位——滾動軸承與行星齒輪箱為研究對象,重點研究了信號分析處理技術(shù)、多源信息融合技術(shù)以及基于數(shù)據(jù)的故障診斷技術(shù)等,主要研究內(nèi)容分為以下幾個部分。首先本文研究滾動軸承和行星齒輪箱的故障信號分析處理技術(shù)。從研究滾動軸承和行星齒輪箱故障成因入手,分析其常見故障及影響因素。針對原始故障信號具有一定的冗余性、不確定性等特點,采用時頻域分析對原始故障信號進行特征提取研究,從多種角度對不同形態(tài)信號進行分析。針對時頻分析處理得到的多個故障特征采用粗糙集理論進行特征篩選處理,保留對診斷結(jié)果影響較大的故障特征,從而簡化系統(tǒng)模型,實現(xiàn)故障診斷效率的提升。接著本文對滾動軸承和行星齒輪箱進行多種故障模擬,通過模擬典型工況下的運行狀態(tài),采集系統(tǒng)故障信號,為多源信息融合診斷方法與故障診斷方法研究提供數(shù)據(jù)準備。然后本文主要研究多源信息融合方法。針對云模型具有隨機性、模糊性以及不確定性的特點,采用云模型優(yōu)化D-S證據(jù)理論,降低證據(jù)之間的高度沖突性... 

【文章來源】：電子科技大學(xué)四川省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

導(dǎo)入數(shù)據(jù)操作

第二章滾動軸承及行星齒輪箱故障信號分析處理研究15圖2-5導(dǎo)入數(shù)據(jù)操作（2）屬性離散化。如圖2-6所示，選擇Entropy/MDLalgorithm（信息熵法）作為離散化方法進行屬性離散。圖2-6屬性離散化操作因為信息熵由概率分布情況唯一決定，因此具有較強的抗干擾性，信息熵法能夠降低信息丟失程度，具有一定的客觀真實性。（3）屬性約簡操作。如圖2-7所示，在Rosetta軟件中，選擇遺傳算法（Geneticalgorithm）進行屬性約簡。遺傳算法具有良好的搜索能力且較快的尋找到最優(yōu)解，簡單高效，具有一定可擴展性。

電子科技大學(xué)碩士學(xué)位論文16圖2-7選擇優(yōu)化算法進行屬性約簡2.3故障試驗平臺為了獲取機械系統(tǒng)中滾動軸承和行星齒輪箱在不同故障模式和不同損傷程度下的征兆及信號特點，從而有針對性地開展故障特征提取和故障診斷，本論文將對滾動軸承和行星齒輪箱進行不同程度的損傷故障模擬，如常見的裂紋、點蝕和脫落等典型局部損傷故障。通過模擬穩(wěn)態(tài)和瞬態(tài)等典型工況下的運行狀態(tài)，采用多個加速度傳感器、位移傳感器以及溫度傳感器等分別采集振動信號、電壓信號以及溫度信號等。通過進行故障模擬試驗，為故障時頻特征提取方法研究、多源信息融合診斷方法研究以及故障診斷方法研究提供數(shù)據(jù)保障。2.3.1故障試驗平臺介紹（1）試驗平臺設(shè)計根據(jù)對機械設(shè)備關(guān)鍵部件——滾動軸承和行星齒輪箱的結(jié)構(gòu)原理進行了研究和分析，教研室與無錫市厚德自動化儀表有限公司共同設(shè)計制造一臺適用于模擬機械系統(tǒng)中滾動軸承和行星齒輪箱的綜合多功能試驗臺。具體的技術(shù)指標如下：1）驅(qū)動單元：采用額定功率為3kw的三相變頻減速電機，調(diào)速范圍為0-5900r/min。

【參考文獻】：
期刊論文
[1]基于時域和頻域分析的滾動軸承故障診斷[J]. 程秀芳,王鵬.  華北理工大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[2]行星齒輪箱齒輪磨損故障診斷[J]. 李海平,趙建民,張鑫,倪祥龍.  振動與沖擊. 2019(23)
[3]多源信息融合技術(shù)及其應(yīng)用研究[J]. 楊曉梅,張菊玲,趙忠華.  無線互聯(lián)科技. 2019(18)
[4]滾動軸承故障診斷方法綜述[J]. 陳強強,戴邵武,戴洪德,聶子健.  儀表技術(shù). 2019(09)
[5]利用多源信息和深度置信神經(jīng)網(wǎng)絡(luò)的配電系統(tǒng)空間負荷預(yù)測[J]. 梁榮,楊波,馬潤澤,吳健,吳奎華,林振智,文福拴.  電力建設(shè). 2018(10)
[6]旋轉(zhuǎn)機械故障診斷研究方法綜述[J]. 蘇乃權(quán),熊建斌,張清華,黃崇林.  機床與液壓. 2018(07)
[7]基于多源信息融合-相關(guān)向量機的風(fēng)力發(fā)電機故障診斷[J]. 楊璐璐,張新燕,牛盛瑜,張冠琪,張亞敏.  電機與控制應(yīng)用. 2018(03)
[8]大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機械工程學(xué)報. 2018(05)
[9]機電設(shè)備振動信號故障診斷算法研究[J]. 王宇,羅倩,紀厚業(yè).  計算機仿真. 2017(05)
[10]基于證據(jù)理論的多源信息融合模型[J]. 安春蓮,黃靜,吳耀云.  電子信息對抗技術(shù). 2017(01)

博士論文
[1]基于深度自編碼器的機械故障診斷方法研究[D]. 張玉彥.華中科技大學(xué) 2019
[2]基于數(shù)據(jù)驅(qū)動的行星齒輪箱故障診斷方法研究[D]. 劉志亮.電子科技大學(xué) 2013
[3]多源圖像處理關(guān)鍵技術(shù)研究[D]. 蔣少華.華中科技大學(xué) 2011

碩士論文
[1]基于AHP-云模型的PPP項目風(fēng)險評價研究[D]. 李亮.北京交通大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承及行星齒輪箱故障診斷方法[D]. 張神林.安徽工業(yè)大學(xué) 2018
[3]基于機器學(xué)習(xí)的故障預(yù)測與健康管理（PHM）方法研究[D]. 李永亮.電子科技大學(xué) 2017
[4]基于多源不確定信息融合的數(shù)控機床滾動軸承故障診斷方法與實驗研究[D]. 馮春生.青島理工大學(xué) 2015
[5]基于云服務(wù)模式的文本過濾關(guān)鍵技術(shù)研究與應(yīng)用[D]. 盧云玲.電子科技大學(xué) 2014
[6]基于信息融合的全自動生化分析儀故障檢測技術(shù)研究[D]. 郭維.沈陽工業(yè)大學(xué) 2013
[7]舵槳聯(lián)控式水下機器人執(zhí)行器故障診斷技術(shù)研究[D]. 蓋寧.哈爾濱工程大學(xué) 2011
[8]基于生命周期的智能家居故障預(yù)測診斷算法[D]. 王方.重慶大學(xué) 2008
[9]基于小波和支持向量機的風(fēng)機故障趨勢預(yù)測研究[D]. 王衍學(xué).廣西大學(xué) 2006



本文編號：3617823