滾動(dòng)軸承是煤礦通風(fēng)機(jī)的重要零件,對(duì)其進(jìn)行運(yùn)行狀態(tài)監(jiān)測(cè)是保證煤礦安全生產(chǎn)的關(guān)鍵技術(shù),本文將不同狀態(tài)下,通風(fēng)機(jī)軸承振動(dòng)信號(hào)作為研究對(duì)象,以信號(hào)特征參數(shù)為主要依據(jù)實(shí)現(xiàn)軸承故障預(yù)警及分類(lèi)診斷。在故障預(yù)警環(huán)節(jié),利用軸承處于不同運(yùn)行狀態(tài)時(shí),振動(dòng)信號(hào)的梅爾頻率倒譜系數(shù)存在差異這一特點(diǎn),將其第一維參數(shù)與信號(hào)譜熵相乘得到譜熵梅爾積特征（MFPH）,提高信號(hào)特征的抗噪能力,同時(shí)最大化正常信號(hào)與故障信號(hào)間的差異;通過(guò)貝葉斯信息準(zhǔn)則確定分類(lèi)簇?cái)?shù),利用模糊C均值聚類(lèi)算法自適應(yīng)獲取信號(hào)譜熵梅爾積特征參數(shù)的高低門(mén)限,最后通過(guò)雙門(mén)限法找到故障起始點(diǎn),實(shí)現(xiàn)自適應(yīng)故障預(yù)警。在信號(hào)分解環(huán)節(jié),以經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）為基本分解方法,采用相關(guān)系數(shù)法剔除結(jié)果中的虛假分量;采用支持向量回歸機(jī)（SVR）延拓再分解的方法抑制端點(diǎn)效應(yīng)問(wèn)題;使用自適應(yīng)集總局部積分均值分解（AELIMD）算法,通過(guò)噪聲數(shù)據(jù)輔助分析緩解EMD的模態(tài)混疊現(xiàn)象,通過(guò)與EMD、互補(bǔ)集總經(jīng)驗(yàn)?zāi)B(tài)分解的對(duì)比實(shí)驗(yàn),證明應(yīng)用AELIMD方法分解信號(hào)能得到更真實(shí)的頻率成分。在特征提取環(huán)節(jié),介紹了信號(hào)能量、排列熵及加權(quán)排列熵特征向量的構(gòu)成方法,進(jìn)行基于真實(shí)滾動(dòng)軸承振動(dòng)信號(hào)的分... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：110 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

滾動(dòng)軸承故障模擬發(fā)生平臺(tái)Figure3-5Rollingbearingfaultsimulationplatform

【參考文獻(xiàn)】：
期刊論文
[1]A new bearing fault diagnosis method based on modified convolutional neural networks[J]. Jiangquan ZHANG,Yi SUN,Liang GUO,Hongli GAO,Xin HONG,Hongliang SONG.  Chinese Journal of Aeronautics. 2020(02)
[2]基于加權(quán)排列熵和DE-ELM的滾動(dòng)軸承故障診斷[J]. 吳新忠,張旭,李博華,夏令祥.  制造技術(shù)與機(jī)床. 2020(02)
[3]自適應(yīng)改進(jìn)雙樹(shù)復(fù)小波變換的齒輪箱故障診斷[J]. 陳旭陽(yáng),韓振南,寧少慧.  振動(dòng).測(cè)試與診斷. 2019(05)
[4]基于ELMD與改進(jìn)SMSVM的機(jī)械故障診斷方法[J]. 任世錦,潘劍寒,李新玉,徐桂云,鞏固.  南京航空航天大學(xué)學(xué)報(bào). 2019(05)
[5]集成多策略改進(jìn)FCM算法的旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)聚類(lèi)分析研究[J]. 鄧林峰,張愛(ài)華,趙榮珍.  振動(dòng)工程學(xué)報(bào). 2019(05)
[6]基于改進(jìn)LE和約束種子K均值的半監(jiān)督故障識(shí)別[J]. 張?chǎng)?郭順生,江麗.  振動(dòng)與沖擊. 2019(16)
[7]同步擠壓改進(jìn)短時(shí)傅里葉變換分頻相干技術(shù)在斷裂識(shí)別中的應(yīng)用[J]. 嚴(yán)海滔,周懷來(lái),牛聰,巫南克,周健.  石油地球物理勘探. 2019(04)
[8]中國(guó)煤炭產(chǎn)業(yè)發(fā)展現(xiàn)狀分析[J]. 吳楠.  中外企業(yè)家. 2019(23)
[9]基于動(dòng)態(tài)統(tǒng)計(jì)濾波與深度學(xué)習(xí)的智能故障診斷方法[J]. 宋瀏陽(yáng),李石,王芃鑫,王華慶.  儀器儀表學(xué)報(bào). 2019(07)
[10]A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering[J]. Yongtao Hu,Shuqing Zhang,Anqi Jiang,Liguo Zhang,Wanlu Jiang,Junfeng Li.  Chinese Journal of Mechanical Engineering. 2019(03)



本文編號(hào)：3330909