同步液壓馬達(dá)經(jīng)常工作于高負(fù)載條件下,對(duì)其進(jìn)行在線故障監(jiān)測(cè)可有效避免嚴(yán)重安全事故和經(jīng)濟(jì)損失。在實(shí)際工程應(yīng)用中,信號(hào)處理和診斷過程是在線故障診斷的重要組成部分。作為非接觸式采集信號(hào),聲學(xué)信號(hào)比振動(dòng)信號(hào)更容易采集,因此提出了一種基于聲信號(hào)的同步液壓馬達(dá)故障自動(dòng)診斷方法。該方法包括基于位錯(cuò)疊加法（DSM）的聲信號(hào)自動(dòng)降噪方法（NRDSM）、基于信號(hào)特征自動(dòng)提取與故障模式識(shí)別的自動(dòng)故障診斷方法和同步液壓馬達(dá)故障診斷軟、硬件系統(tǒng)的搭建。（1）NRDSM可以實(shí)現(xiàn)低信噪比同步液壓馬達(dá)聲信號(hào)的自動(dòng)降噪。首先,根據(jù)流量計(jì)獲得同步液壓馬達(dá)的理論旋轉(zhuǎn)周期。然后,根據(jù)流量計(jì)的測(cè)量精度和理論旋轉(zhuǎn)周期對(duì)實(shí)際聲信號(hào)進(jìn)行DSM處理,利用皮爾森相關(guān)系數(shù)確定實(shí)際信號(hào)的最佳疊加長(zhǎng)度和最佳初始位置。最后,利用設(shè)定的停止條件確定最佳疊加次數(shù)與疊加效果。（2）同步液壓馬達(dá)自動(dòng)故障診斷方法可以實(shí)現(xiàn)信號(hào)特征的提取與診斷。其中利用皮爾森相關(guān)系數(shù)確定降噪信號(hào)的最佳小波包頻率尺度范圍與最佳分解層數(shù),從而實(shí)現(xiàn)信號(hào)特征的自動(dòng)提取。最后,使用K最近鄰（KNN）分類器完成故障診斷過程。（3）以齒輪式同步液壓馬達(dá)為研究對(duì)象設(shè)計(jì)并搭建了同步液壓馬達(dá)試驗(yàn)... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１齒輪式同步液壓馬達(dá)實(shí)物圖??Ｆｉｇ．?１．１?Ｐｈｙｓｉｃａｌ?ｇｒａｐｈ?ｏｆ?ｇｅａｒｅｄ?ｓｙｎｃｈｒｏｎｏｕｓ?ｈｙｄｒａｕｌｉｃ?ｍｏｔｏｒ??

，研究一種基于??聲信號(hào)的同步液壓馬達(dá)診斷故障方法是有意義的。??傳統(tǒng)的故障診斷過程主要分為兩部分，首先采集所需的信號(hào)再將得到的數(shù)據(jù)進(jìn)行離??線處理分析。隨著時(shí)代的進(jìn)步，離線式故障診斷已不能滿足自動(dòng)化生產(chǎn)的要求。與此同??時(shí)在線故障診斷的需求在逐漸增大，因此開發(fā)一套同步液壓馬達(dá)實(shí)時(shí)故障診斷平臺(tái)可實(shí)??現(xiàn)對(duì)現(xiàn)有技術(shù)的更新，有利于智能化生產(chǎn)進(jìn)程的推進(jìn)�；诼曅盘�(hào)的同步液壓馬達(dá)故障??診斷主要分為三個(gè)步驟：聲信號(hào)采集與自動(dòng)降噪；聲信號(hào)特征自動(dòng)提取；利用分類器對(duì)??信號(hào)特征進(jìn)行訓(xùn)練與識(shí)別，圖１．２為同步液壓馬達(dá)在線故障診斷流程圖。??聲信號(hào)采集???＾?［???自動(dòng)降噪???］?［???自動(dòng)特征提取??Ｉ?Ｉ??ｉ?樣本信號(hào)?待診斷信號(hào)丨??；?ｉ???ｉ???分類器訓(xùn)練?故障診斷｜??丨?……ｎ??圖１．２同步液壓馬達(dá)在線故障診斷流程圖??Ｆｉｇ．?１．２?Ｏｎｌｉｎｅ?ｆａｕｌｔ?ｄｉａｇｎｏｓｉｓ?ｆｌｏｗｃｈａｒｔ?ｏｆ?ｓｙｎｃｈｒｏｎｏｕｓ?ｈｙｄｒａｕｌｉｃ?ｍｏｔｏｒ??目前分類器相關(guān)研宄較為成熟，因此為了實(shí)現(xiàn)同步液壓馬達(dá)在線故障診斷應(yīng)完成信??號(hào)自動(dòng)降噪與特征自動(dòng)提取的相關(guān)工作。本文將采用一種基于錯(cuò)位疊加法和小波包能量??法的自動(dòng)信號(hào)降噪與特征提取方法來實(shí)現(xiàn)同步液壓馬達(dá)故障診斷的關(guān)鍵信號(hào)處理步驟，??為同步液壓馬達(dá)故障診斷提供理論支持。??１．２聲信號(hào)處理方法介紹??由于從聲音傳感器直接采集得到的原始信號(hào)中含有大量背景噪音，因此為了提高故??障診斷的準(zhǔn)確性需要對(duì)原始信號(hào)進(jìn)行降噪處理。通常，將發(fā)生故障的部位所產(chǎn)生的聲信??號(hào)稱為有效信號(hào)，其余成分統(tǒng)稱為噪聲［７］

析的特點(diǎn)，即小??波變換的窗函數(shù)可以對(duì)待處理信號(hào)頻率進(jìn)行自適應(yīng)調(diào)整：在低頻部分采用長(zhǎng)窗提高頻域??分辨率，而在高頻部分采用短窗提高時(shí)域分辨率［２３］。對(duì)于頻率成分復(fù)雜且包含大量突變??信息的機(jī)械故障信號(hào)，小波分析具有良好的處理效果，因此目前廣泛應(yīng)用于機(jī)械故障診??斷領(lǐng)域。經(jīng)過ｆ次小波分解的原始信號(hào)會(huì)得到／＋１個(gè)小波系數(shù)，其中從第２層開始每次??只對(duì)低頻成分進(jìn)行分解，對(duì)各個(gè)小波系數(shù)進(jìn)行重構(gòu)可以得到對(duì)應(yīng)頻率尺度的重構(gòu)信號(hào)。??以３層小波分解為例，各重構(gòu)信號(hào)與原始信號(hào)及小波分解次數(shù)的關(guān)系如圖１．３所示。???Ｓ?????Ａ???Ｄ??＋?ｙ???ＡＡ???ＡＤ??Ｊ?Ｔ??ＡＡＡ?ＡＡＤ??圖１．３?３層小波分解樹示例??Ｆｉｇ．?１．３?Ｅｘａｍｐｌｅ?ｏｆ?ａ?３－ｌａｙｅｒ?ｗａｖｅｌｅｔ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｔｒｅｅ??－４?－??

【參考文獻(xiàn)】：
期刊論文
[1]基于時(shí)頻分析的高溫振動(dòng)環(huán)境螺栓連接件松動(dòng)判別[J]. 曹芝腑,譚志勇,姜東,何頂頂,費(fèi)慶國(guó).  振動(dòng)與沖擊. 2019(17)
[2]基于小波包子帶分析的柱塞泵松靴故障程度診斷[J]. 鄭碩,王少萍,盧傳奇.  系統(tǒng)仿真技術(shù). 2017(03)
[3]基于參考信號(hào)頻域半盲提取的機(jī)械故障特征聲學(xué)診斷[J]. 羿澤光,潘楠,劉鳳.  河北科技大學(xué)學(xué)報(bào). 2015(04)
[4]機(jī)械故障診斷技術(shù)中的信號(hào)處理方法:時(shí)頻分析[J]. 王金福,李富才.  噪聲與振動(dòng)控制. 2013(03)
[5]機(jī)械故障診斷技術(shù)中的信號(hào)處理方法:時(shí)域分析[J]. 王金福,李富才.  噪聲與振動(dòng)控制. 2013(02)
[6]機(jī)械故障診斷的信號(hào)處理方法:頻域分析[J]. 王金福,李富才.  噪聲與振動(dòng)控制. 2013(01)
[7]基于降噪及獨(dú)立分量分析的軸承故障聲信號(hào)特征提取[J]. 呂勇,李友榮,肖涵,王志剛.  武漢科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(01)
[8]去噪小波包能量法在水聲信號(hào)識(shí)別中的應(yīng)用[J]. 楊亞菁,鐘麗萍.  湛江海洋大學(xué)學(xué)報(bào). 2005(01)
[9]基于改進(jìn)小波包算法的水聲信號(hào)消噪與重構(gòu)研究[J]. 葛永,陳建安.  聲學(xué)與電子工程. 2004(02)
[10]機(jī)動(dòng)車聲信號(hào)特征提取方法及在目標(biāo)識(shí)別中的應(yīng)用[J]. 袁小濱,李京華.  長(zhǎng)安大學(xué)學(xué)報(bào)(建筑與環(huán)境科學(xué)版). 2003(04)

博士論文
[1]風(fēng)電齒輪箱運(yùn)行狀態(tài)監(jiān)測(cè)與故障診斷[D]. 竇春紅.北京交通大學(xué) 2019
[2]基于多尺度非線性狀態(tài)特征增強(qiáng)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 王俊.中國(guó)科學(xué)技術(shù)大學(xué) 2015
[3]機(jī)械噪聲監(jiān)測(cè)中盲信號(hào)處理方法研究[D]. 王宇.昆明理工大學(xué) 2010

碩士論文
[1]地震信號(hào)去噪及檢測(cè)方法研究[D]. 韓若楠.北京郵電大學(xué) 2019
[2]基于特征提取的風(fēng)機(jī)齒輪箱故障診斷方法研究[D]. 胡亞威.新疆大學(xué) 2019
[3]基于振動(dòng)信號(hào)的滾動(dòng)軸承故障診斷與狀態(tài)識(shí)別方法研究[D]. 彭劉陽.中國(guó)礦業(yè)大學(xué) 2019
[4]渦輪機(jī)熱端部件健康監(jiān)測(cè)技術(shù)研究[D]. 王麗.哈爾濱工程大學(xué) 2018
[5]基于聲音信號(hào)的故障診斷研究及應(yīng)用[D]. 穆峰.山東大學(xué) 2016
[6]基于KNN算法的柴油機(jī)故障診斷方法研究[D]. 朱向利.哈爾濱工程大學(xué) 2016
[7]基于聲信號(hào)的運(yùn)動(dòng)車輛識(shí)別算法研究與實(shí)現(xiàn)[D]. 周瑩.電子科技大學(xué) 2013
[8]基于音頻信號(hào)的汽車狀態(tài)與故障分析[D]. 宋春雷.沈陽理工大學(xué) 2013
[9]小波濾波在摩托車發(fā)動(dòng)機(jī)異響診斷中的應(yīng)用[D]. 夏魯寧.重慶大學(xué) 2012
[10]小波分析在摩托車發(fā)動(dòng)機(jī)異響診斷中的應(yīng)用[D]. 馮燾.重慶大學(xué) 2011



本文編號(hào)：3341059