旋轉(zhuǎn)設(shè)備的故障診斷技術(shù)在工程中有著重要的地位和應(yīng)用價(jià)值,建立一套特征提取和狀態(tài)檢測(cè)的方法是重中之中。通過早期診斷預(yù)防設(shè)備發(fā)生重大事故,對(duì)于國(guó)民經(jīng)濟(jì)和安全具有巨大價(jià)值,也是當(dāng)前研究的焦點(diǎn)。常用的特征識(shí)別和檢測(cè)方法大致分為時(shí)域、頻域和時(shí)頻域三大類,然而真實(shí)的信號(hào)成分復(fù)雜且噪聲干擾嚴(yán)重。利用現(xiàn)今的機(jī)器學(xué)習(xí)等方法,樣本訓(xùn)練的時(shí)間成本高且后期仍需要調(diào)參,這在工業(yè)生產(chǎn)中的應(yīng)用性差。且旋轉(zhuǎn)設(shè)備故障診斷的諸多診斷指標(biāo)具有不同的適用范圍,處理多樣性的信號(hào)出現(xiàn)效果不佳和錯(cuò)判的情況。由于故障早期信號(hào)十分微弱而難以診斷,工業(yè)診斷對(duì)精確度要求較高。一套在大多數(shù)情況下能有效提取特征并做出準(zhǔn)確診斷的系統(tǒng)一直是研究的難點(diǎn),該方向研究也十分有意義。本文針對(duì)上述存在的問題,構(gòu)建了一套有效特征提取和診斷系統(tǒng),主要研究如下:首先,本文提出基于稀疏濾波和參數(shù)化時(shí)頻分析的方法（SF-PTFA）。通過稀疏濾波選取相應(yīng)的原子,得到預(yù)想的故障特征,然后利用參數(shù)化時(shí)頻分析準(zhǔn)確地提取出這些信號(hào)。在仿真和真實(shí)信號(hào)實(shí)驗(yàn)中,對(duì)軸承和齒輪信號(hào)分別展開分析,均能很好地分辨故障信號(hào)并將之準(zhǔn)確提取。證明了該方法具有在低信噪比的復(fù)雜信號(hào)中具有故障成分識(shí)別... 

【文章來源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：97 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．２損壞的齒輪設(shè)備??眾所周知，機(jī)械設(shè)備在長(zhǎng)期的高強(qiáng)度損耗中，不論質(zhì)量多佳總會(huì)出現(xiàn)磨損、??斷裂、腐蝕等現(xiàn)象，這些老化現(xiàn)象就是一個(gè)個(gè)潛在的隱患，需要建立一套監(jiān)測(cè)系??

?第１章緒論???并對(duì)故障展開預(yù)測(cè)，有利于其專家系統(tǒng)的構(gòu)建。??細(xì)胞體??ｒ?＿??圖１．３神經(jīng)元結(jié)構(gòu)圖??支持向量機(jī)的方法在現(xiàn)今常利用于數(shù)據(jù)樣本較少的情況，因?yàn)閷＜蚁到y(tǒng)和神??經(jīng)網(wǎng)絡(luò)等方法均是基于大量數(shù)據(jù)的基礎(chǔ)上展開的學(xué)習(xí)與預(yù)測(cè)，如果樣本太少會(huì)影??響了整體方法的效果。而在支持向量機(jī)可以在設(shè)備故障診斷中用于識(shí)別和監(jiān)測(cè)，??因?yàn)槠淅媒y(tǒng)計(jì)學(xué)習(xí)原理能夠克服這樣的一些毛玻它的優(yōu)點(diǎn)是在樣本數(shù)少且樣??本為非線性的情況下仍能夠得到較好的效果，故其應(yīng)用到生活的方方面面。??１．２．２軟硬件監(jiān)測(cè)系統(tǒng)的發(fā)展??對(duì)于機(jī)械設(shè)備的檢測(cè)技術(shù)從古至今都是一個(gè)研宄熱點(diǎn)問題，各個(gè)國(guó)家政府高??度重視該方向的研宄，這個(gè)問題事關(guān)人生安全和國(guó)家的經(jīng)濟(jì)形勢(shì)。各國(guó)均投入了??大量的人力物力去建立一套良好的監(jiān)測(cè)體系，防止重大事故的發(fā)生。在當(dāng)今的時(shí)??代，故障診斷相關(guān)方法更加突飛猛進(jìn)，國(guó)外內(nèi)的狀態(tài)診斷技術(shù)達(dá)到了一個(gè)新的層??次，主要在以下幾個(gè)方面飛速發(fā)展［３６＿３７］。第一塊主要研宄的是監(jiān)測(cè)診斷模式塊，??主要為分布式和網(wǎng)絡(luò)遠(yuǎn)程模式。??１９７０年開始，隨著電子工業(yè)的蓬勃發(fā)展，整個(gè)故障診斷技術(shù)迎來了新一波??的高潮，許多監(jiān)測(cè)系統(tǒng)和軟件接連問世。隨著電子測(cè)量技術(shù)以及對(duì)于頻譜的研宄??的深入，產(chǎn)生了許多具有一定實(shí)用價(jià)值的監(jiān)測(cè)系統(tǒng)，在外國(guó)有美國(guó)Ｂｅｎｔｌｅｙ公司??研制的狀態(tài)監(jiān)測(cè)儀，國(guó)內(nèi)主要就是在診斷領(lǐng)域的技術(shù)有了重大的突破，主要集中??在時(shí)域信號(hào)采集、頻譜分析等研究方向［２，４］。但是只是圍繞信號(hào)的輸入塊，只是通??過一些方法采集到了相關(guān)信號(hào)，沒有對(duì)于振動(dòng)信號(hào)分析的一套系統(tǒng)，同時(shí)對(duì)于設(shè)??備的了解較為單一，特別是沒有一款軟件能夠落地應(yīng)用，大多數(shù)情況

Ｌ?Ｉ?Ｉ?１?Ｌ?￣￣＊?；???ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｈｅａ＼ｙ?ｎｏｉｓｅ??〇?〇３?．?ｄｅｆｅｃｔｅｄ?ｓｉｇｎａｌ?ｗｉｔｈ?ｓｌｉｇｈｔ?ｎｏｉｓｅ?．??Ｉ?ｉ?ｊ?ｊ?￣￣ｒ??Ｉ?１１１１＇ｉ?ｆ?Ｉ?ｉｊ＇?＂ｉ?■?１??－０．０３＇?－??－０．０４?＾?ｒ?Ｊ?ｒ?１?ｒ?ｒ?［?【???０?０．０２?０．０４?０．０６?０．０８?０．１?０．１２?０．１４?０．１６?０．１８??圖１．４強(qiáng)弱噪聲對(duì)于信號(hào)檢測(cè)的影響??如圖１．４展示了一個(gè)信號(hào)在強(qiáng)弱干擾中的不同效果，在圖中紅色部分是在弱??噪聲中的整體信號(hào)表示，藍(lán)色是在強(qiáng)噪聲信號(hào)中的整體表示。結(jié)果顯而易見，隨??著噪聲越強(qiáng)，原始信號(hào)的特征越不明顯。狀態(tài)監(jiān)測(cè)就是利用相應(yīng)方法從原始信號(hào)??中提取出有效、敏感的特征，達(dá)到對(duì)未知異常的檢測(cè)從而保證機(jī)器的正常運(yùn)行。??在實(shí)際信號(hào)中噪聲和各種部件對(duì)所要監(jiān)測(cè)的信息來說就是一個(gè)強(qiáng)干擾，這導(dǎo)??致了診斷的難度成幾何量級(jí)增大，如何去除這些干擾的影響，還原故障的本身的??信息一直是當(dāng)下的一個(gè)研究重難點(diǎn)。??２．非穩(wěn)態(tài)信號(hào)信息準(zhǔn)確提取問題??常規(guī)的時(shí)域和頻域方法用在穩(wěn)定信號(hào)的特征提取中，然而現(xiàn)實(shí)中的信號(hào)特征??隨時(shí)間變化而變化其不具備任何規(guī)律的。時(shí)頻分析方法對(duì)于非穩(wěn)態(tài)信號(hào)的處理各??有優(yōu)劣，針對(duì)旋轉(zhuǎn)設(shè)備信號(hào)的特征，將這個(gè)信號(hào)精確提取出來是當(dāng)前的一大難點(diǎn)。??３．算法復(fù)雜度問題??現(xiàn)代人工智能算法對(duì)于特征學(xué)習(xí)有較好的效果，但是這個(gè)代價(jià)就是算法的復(fù)??雜度較高。比如利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相關(guān)問題，可能中間層的過多，導(dǎo)致整個(gè)算法??計(jì)算復(fù)雜度較高，計(jì)

【參考文獻(xiàn)】：
期刊論文
[1]齒輪故障診斷技術(shù)研究[J]. 涂旭欣,吳勝利,簡(jiǎn)曉春.  自動(dòng)化儀表. 2020(02)
[2]考慮滑動(dòng)軸承時(shí)變動(dòng)力學(xué)參數(shù)的齒輪系統(tǒng)建模及分析[J]. 魏維,郭文勇,吳新躍,吳啟豪.  振動(dòng)與沖擊. 2019(23)
[3]行星齒輪箱齒輪磨損故障診斷[J]. 李海平,趙建民,張?chǎng)?倪祥龍.  振動(dòng)與沖擊. 2019(23)
[4]幾種時(shí)頻分析方法的研究和對(duì)比[J]. 趙曉宇,李艷萍,付顏龍,吉向敏,劉煜.  信息通信. 2019(08)
[5]基于人工智能的工程機(jī)械故障診斷技術(shù)[J]. 張玨.  智能城市. 2019(12)
[6]基于振動(dòng)信號(hào)相位檢測(cè)的大型機(jī)電設(shè)備故障診斷技術(shù)[J]. 苗可彬.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2019(03)
[7]基于粗糙遺傳BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J]. 唐立力.  機(jī)械工程與自動(dòng)化. 2018(03)
[8]旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測(cè)和故障診斷的智能化[J]. 阮躍,潘勇,徐世昌.  設(shè)備管理與維修. 2018(10)
[9]旋轉(zhuǎn)機(jī)械頻譜智能分析系統(tǒng)的研究與實(shí)現(xiàn)[J]. 楊秀文.  山東工業(yè)技術(shù). 2016(09)
[10]24種特征指標(biāo)對(duì)軸承狀態(tài)識(shí)別的性能研究[J]. 程曉涵,汪愛明,花如祥,孟國(guó)營(yíng).  振動(dòng).測(cè)試與診斷. 2016(02)

博士論文
[1]列車軸承軌邊聲學(xué)故障診斷中多源混疊空時(shí)濾波器設(shè)計(jì)方法研究[D]. 熊偉.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]參數(shù)化時(shí)頻分析理論、方法及其在工程信號(hào)分析中的應(yīng)用[D]. 楊揚(yáng).上海交通大學(xué) 2013
[3]旋轉(zhuǎn)機(jī)械早期故障特征提取的時(shí)頻分析方法研究[D]. 鞠萍華.重慶大學(xué) 2010
[4]齒輪與滾動(dòng)軸承故障的振動(dòng)分析與診斷[D]. 孟濤.西北工業(yè)大學(xué) 2003
[5]齒輪傳動(dòng)系統(tǒng)的故障診斷方法的研究[D]. 韓振南.太原理工大學(xué) 2003

碩士論文
[1]滾動(dòng)軸承故障診斷的若干方法研究[D]. 劉星辰.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[2]旋轉(zhuǎn)機(jī)械故障的檢測(cè)與診斷[D]. 鄒巍.北京郵電大學(xué) 2013
[3]大型旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測(cè)與故障診斷知識(shí)體系的研究與實(shí)現(xiàn)[D]. 孫楠楠.重慶大學(xué) 2006
[4]基于主成分分析的綜合評(píng)價(jià)研究[D]. 張鵬.南京理工大學(xué) 2004



本文編號(hào)：3439215