检索结果-南通市图书馆

作者：陈艳平湖南大学

学位级别：硕士

电力负荷预测是电力系统规划的基础,负荷预测的准确性直接影响到整个电力系统的安全、经济和稳定运行,短期负荷是电力科学调度的依据。然而,电力负荷受经济、温度和电价等多种因素的影响,其本质是一种非线性、非平稳的时间序列。局部特... 详细信息

电力负荷预测是电力系统规划的基础,负荷预测的准确性直接影响到整个电力系统的安全、经济和稳定运行,短期负荷是电力科学调度的依据。然而,电力负荷受经济、温度和电价等多种因素的影响,其本质是一种非线性、非平稳的时间序列。局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种新的时频分析方法,利用该方法可以将复杂的非平稳信号自适应地分解为若干个瞬时频率具有物理意义的单分量信号之和,非常适合分析非线性非平稳的电力负荷序列。基于此,本文将其应用于负荷预测研究中来,提出了一种基于LCD分解的短期负荷预测模型。首先,针对电力负荷的非线性、非平稳性特点,利用LCD方法将原始电力负荷序列分解为一系列瞬时频率具有物理意义的分量,仔细分析每个分量的影响因素,以更好地把握负荷变化的内在规律,提高负荷预测的精度。其次,为了减少负荷预测的计算规模,提高负荷预测的效率,利用样本熵理论对各个分解得到的分量进行复杂度分析,并以样本熵值的大小为依据重构得到新的子序列。在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测。最后,由于电力负荷预测是一个动态的时间模型,利用静态的BP神经网络对其进行预测难以取得较好的预测效果。因此,本文引入动态的Elman神经网络进行负荷预测。同时为了验证LCD-样本熵-Elman预测模型的有效性,分别建立Elman、BP、LCD-样本熵-BP三种预测模型进行短期负荷预测。仿真结果表明,相比于静态BP神经网络模型,动态Elman神经网络模型具有更高的预测精度,同时也验证了LCD-样本熵分析的有效性,其研究结果对电力生产实际具有一定的指导价值。

关键词：电力系统负荷预测样本熵局部特征尺度分解 Elman神经网络

基于改进LCD的WVD算法及其在故障诊断中应用的试验研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进LCD的WVD算法及其在故障诊断中应用的试验研究

作者：马昂燕山大学

学位级别：硕士

旋转机械故障诊断能够为设备的安全提供必要保障。故障振动信号的时频分析,是故障诊断中的重要手段。振动信号特征提取是关键所在,在众多方法中,自适应时频分析的研究越来越受到关注。局部特征尺度分解(Local Characteristic-scale Deco... 详细信息

旋转机械故障诊断能够为设备的安全提供必要保障。故障振动信号的时频分析,是故障诊断中的重要手段。振动信号特征提取是关键所在,在众多方法中,自适应时频分析的研究越来越受到关注。局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)发展经历的时间很短,但该方法在计算效率及分量准确性上优势明显。另外,Wigner-Ville分布(WVD)优良特性突出,具有能量聚集性高、时频分辨率高及时变特性良好等优点,被广泛应用于信号分析与处理领域。但是,WVD分布计算过程不满足可加性,将产生交叉项,影响了该方法的工程实际应用价值。针对上述问题,本文提出了基于改进LCD与WVD结合抑制WVD分布交叉项的算法。首先,本文对旋转设备常见故障机理与频率特征做了研究,并用试验设备进行模拟,为以后的故障信号分析打下基础。深入研究LCD基本理论,并与经验模态分解(Empirical Mode Decomposition,EMD)、固有时间尺度分解(Intrinsic time-scale decomposition,ITD)做对比研究以证明LCD方法的优越性。针对LCD方法分解过程中信号失真、能量泄漏现象,本文提出了基于三次B样条插值(Cubic B-Spline Interpolation,CBI)改进的LCD方法。将改进后的LCD方法应用到模拟仿真信号、试验振动信号处理分析中,证明了此方法的有效性。其次,研究了WVD分布的基本理论及性质,对其交叉项的产生原因做了分析,有文献表明没有交叉项的WVD分布是不存在的。本文从抑制交叉项的思路出发提出了基于改进LCD的WVD分布,该方法将信号用改进LCD分解为近似单分量信号,再对各分量求WVD分布,最终求和得到原信号的WVD分布。模拟仿真信号与试验振动信号的分析结果表明,本文方法能够成功抑制WVD交叉项。最后,将此方法与传统WVD方法、传统LCD与WVD分布结合方法及EMD与WVD分布结合方法进行对比。结果证明本文提出的方法在抑制交叉项成分方面效果更好。燃气轮发电机故障实例分析表明了方法的有效性,该工程实例分析也证明了本文方法能够应用于工程实际的旋转设备故障诊断中。

关键词： Wigner-Ville分布局部特征尺度分解三次B样条插值交叉项故障诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

超声电机摩擦材料局部剥落故障特征提取方法

超声电机摩擦材料局部剥落故障特征提取方法

作者：张群虎河北科技大学

学位级别：硕士

超声电机因其特殊的优良性能已经逐渐应用在诸多重要的领域中,例如医疗行业和航空航天,所以超声电机的正常运行直接关系着整个系统的安全性。在行波型超声电机中其摩擦材料局部剥落故障直接影响着电机的输出性能,并会加速电机失效。超... 详细信息

超声电机因其特殊的优良性能已经逐渐应用在诸多重要的领域中,例如医疗行业和航空航天,所以超声电机的正常运行直接关系着整个系统的安全性。在行波型超声电机中其摩擦材料局部剥落故障直接影响着电机的输出性能,并会加速电机失效。超声电机的工作环境相对复杂,虽然不受磁场的影响,但难免会有其它干扰出现。针对故障信息易受噪声干扰,尤其故障初期特征难以提取的问题,文中搭建了超声电机实验平台,通过改变摩擦材料剥落宽度模拟不同的剥落程度。分析了将孤极电压信号作为处理对象的优点,并提出了一种基于LCD(Local Characteristic-scale Decomposition)与Teager能量算子相结合的故障特征提取方法。首先,对原始信号样本进行LCD分解得到不同内禀尺度分量,并通过自相关分析对各分量进行重构,实现降噪预处理;其次,利用Teager能量算子对重构信号低频段所包含的故障信息进行放大;最后,筛选低频段故障频率成分,提出了以幅值和频率信息为基础的故障特征计算方法。通过对不同摩擦材料剥落宽度下孤极电压信号的采样处理,结果表明该方法可有效表征行波型超声电机摩擦材料局部剥落的扩增趋势,可准确的区分早期故障特征,且计算速度较快,同时该故障特征还具有一定噪声背景下的适用性。

关键词：超声电机摩擦材料孤极电压故障特征提取局部特征尺度分解 Teager能量算子

信号自适应分解及其在轨道车辆故障诊断中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信号自适应分解及其在轨道车辆故障诊断中的应用

作者：陈欣安北京交通大学

学位级别：硕士

城市轨道列车牵引系统故障诊断对保障轨道车辆安全可靠运行,防止交通事故发生有重要意义。为了有效提取轨道车辆故障特征,本文将局部特征尺度分解引入城市轨道列车轴承振动信号分析,取得以下成果：分析了轨道车辆轴承振动信号特点,重点... 详细信息

城市轨道列车牵引系统故障诊断对保障轨道车辆安全可靠运行,防止交通事故发生有重要意义。为了有效提取轨道车辆故障特征,本文将局部特征尺度分解引入城市轨道列车轴承振动信号分析,取得以下成果：分析了轨道车辆轴承振动信号特点,重点讨论了其非平稳、非高斯性特征与故障的关系。论证了用自适应信号分析方法提取车辆轴承故障特征的有效性和实用性。研究了常用自适应信号分析方法如经验模态分解(Empirical Mode Decomposition, EMD)、局部均值分解(Local Mean Decomposition, LMD)和局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)的特点和不足之处。局部特征尺度分解(LCD)能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量与一个余项之和。这一特性使得LCD特别适合于处理非平稳信号。将局部特征尺度分解与经验模态分解对比,局部特征尺度分解在抑制端点效应和迭代所需时间,瞬时特征的精确性等方面优于经验模态分解,因而更适用于振动信号在线分析。总结上述研究成果,开发了城市轨道列车在途安全检测与故障诊断系统。该系统通过以太网监测车辆轴承温度和振动信号,用局部特征尺度分解提取故障特征,实现车辆轴承运行故障早期诊断和预警。系统成功用于广州地铁列车运行测试,能有效诊断各种类型的轴承故障。

关键词：城市轨道列车轴承故障诊断信号自适应分解局部特征尺度分解

基于改进LCD与SVM的柱塞泵故障诊断研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进LCD与SVM的柱塞泵故障诊断研究

作者：赫婷中北大学

学位级别：硕士

随着铁路事业的快速发展,我国高铁在运营规模和总体技术方面已达到世界领先,同时也对列车运行的安全可靠性提出更高要求。柱塞泵将电机驱动的机械能转化为液体的压力能,再以压力形式输入到电液式转辙机系统中,其工作状态对保证列车安全... 详细信息

随着铁路事业的快速发展,我国高铁在运营规模和总体技术方面已达到世界领先,同时也对列车运行的安全可靠性提出更高要求。柱塞泵将电机驱动的机械能转化为液体的压力能,再以压力形式输入到电液式转辙机系统中,其工作状态对保证列车安全运营与提高运输效率至关重要。本文以电液式转辙机柱塞泵作为研究对象,将信号分析技术与机器学习技术相结合,研究了一种故障诊断模型,有效解决了小样本条件下柱塞泵振动信号在分解过程中存在的模态混叠效应、特征信息提取不灵敏、故障类型识别精度低等问题。针对局部特征尺度分解(LCD)存在的模态混叠效应,提出一种解相关掩蔽局部特征尺度分解(DMLCD)方法。传统的抑制模态混叠方法是向待分解信号中添加高斯白噪声辅助分解,然后通过集成和平均分解结果以抵消所加白噪声,但分解结果会受人为经验影响且分解效率较低。而DMLCD通过在每一个待分解信号中添加已知掩蔽信号并嵌入解相关处理对LCD的分解过程进行改进,存在于分量中的掩蔽信号会通过计算消除,且每两个分量之间都会进行解相关计算,有效抑制了分解所得分量中的模态混叠现象,从而提高信号的分解精度。针对精细复合多尺度散布熵(RCMDE)特征提取时尺度因子选择效率低下、噪声鲁棒性差等不足,提出了一种将广义精细复合多尺度散布熵(GRCMDE)与特征重合度指标相结合的特征提取方法。该方法通过计算并排序各尺度因子下的特征重合度来筛选特征区分度较高的尺度,以此构建特征向量集。在使用DMLCD算法对柱塞泵的振动信号进行分解后,基于相关系数原则筛选与原信号相关性较高的ISC分量用于重构。随后,计算重构信号在各尺度因子下的GRCMDE值,引入特征重合度指标选取前五个尺度因子下的GRCMDE值构建最优特征向量集,使特征信息提取更为灵敏。针对传统支持向量机(SVM)模型分类精度低的问题,提出一种向量加权平均算法(INFO)优化支持向量机的故障诊断模型。模型将提取的柱塞泵最优特征向量集作为输入进行参数优化。为验证模型的诊断效果,使用4种柱塞泵故障数据构建最优特征向量集进行测试,取10次测试结果的平均值作为最终识别准确率,准确率达到99.29%。并通过多种对比实验证明了所提模型的有效性。

关键词：柱塞泵故障诊断局部特征尺度分解散布熵向量加权平均算法支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

滚动轴承的工作状态及寿命预测方法研究

滚动轴承的工作状态及寿命预测方法研究

作者：刘燕飞湖南大学

学位级别：硕士

滚动轴承是机械设备中使用最广泛，且极易损坏的零件之一，由其引发的故障是引起设备失效的重要原因。对滚动轴承进行工作状态和寿命预测研究是评价轴承制造质量的关键，对其进行研究具有十分重要的意义。论文研究了滚动轴承的工作状态... 详细信息

滚动轴承是机械设备中使用最广泛，且极易损坏的零件之一，由其引发的故障是引起设备失效的重要原因。对滚动轴承进行工作状态和寿命预测研究是评价轴承制造质量的关键，对其进行研究具有十分重要的意义。论文研究了滚动轴承的工作状态和寿命预测方法，使用局部特征尺度分解（Local characteristic scale decomposition，简称LCD）算法提取振动信号的特征值，将高斯混合聚类算法和变量预测模型（Variable predictive model based classdiscriminate，简称VPMCD）结合，对滚动轴承进行工作状态的识别和寿命预测。论文主要研究内容如下：1、分析了滚动轴承的主要故障模式及特性，以及滚动轴承的退化状态演化规律。然后探讨了滚动轴承工作状态的识别方法，为滚动轴承的工作状态与寿命预测方法研究奠定基础。2、研究了LCD算法的基本理论，LCD是一种新的自适应、非平稳信号的处理方法，该方法能够将复杂的非平稳信号自适应地分解为若干瞬时频率具有物理意义的单分量信号的和，从而能够有效地对滚动轴承的振动信号进行特征值提取。然后利用仿真信号比较了LCD相对固有时间尺度分解（Intrinsic time-scaledecomposition，简称ITD）及经验模态分解（Empirical mode decomposition，简称EMD）算法的优点，并通过实验来验证LCD在滚动轴承工作状态和寿命预测研究中的有效性。3、研究了高斯混合聚类算法的基本理论，用作滚动轴承退化状态识别和寿命预测的全寿命数据是随时间非线性变化的不确定类别的数据，因此首先需要利用高斯混合聚类算法将原始数据准确聚类成N个退化状态，然后才能使用模式识别方法根据既定的不同退化状态对数据进行训练和测试。将该算法与LCD算法相结合，并且将时间因子作为特征值引入高斯混合聚类算法，从而实现对滚动轴承全寿命数据的退化状态分类，并有效识别出原始信号的异常点。4、研究了VPMCD算法的基本理论，该方法是一种全新的模式识别方法，通过利用各特征参数之间的相互内在关系来建立变量预测模型，再利用预测模型对待测数据进行模式识别及分类。论文将其与高斯混合聚类及LCD算法相结合应用于滚动轴承工作状态和寿命预测研究中，并通过实验，与目前广泛应用在滚动轴承模式识别中的神经网络相比较，结果验证了其在分类精度和训练速度上的优势。

关键词：滚动轴承局部特征尺度分解变量预测模型高斯混合聚类模式识别寿命预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动的压缩机振动信号预测

基于数据驱动的压缩机振动信号预测

作者：任岱旭天津工业大学

学位级别：硕士

压缩机故障预测及诊断对工业生产环境的平稳运行至关重要。振动信号是压缩机故障的敏感特征参数。因此,建立一个准确、稳定的振动信号预测模型对故障预测及诊断具有重要意义。但是由于压缩机结构复杂且生产环境恶劣,振动信号常常具有明... 详细信息

压缩机故障预测及诊断对工业生产环境的平稳运行至关重要。振动信号是压缩机故障的敏感特征参数。因此,建立一个准确、稳定的振动信号预测模型对故障预测及诊断具有重要意义。但是由于压缩机结构复杂且生产环境恶劣,振动信号常常具有明显的非线性和非平稳性,这给准确预测振动信号带来了很大的困难。同时随着时间的推移,设备的状态发生改变,导致振动信号正常运行范围发生变化,此时之前建立的模型预测精度可能随之下降。为了保证模型的持续有效性,有必要将在线学习算法引入到预测模型中。因此,本文针对振动信号准确预测和模型在线更新两个问题进行深入研究。主要工作如下:为了降低建模的复杂度,首先利用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)算法将原始振动信号分解成若干个内禀尺度分量(Intrinsic scale component,ISC),从而将振动信号序列的变化平缓化。针对LCD方法在分解振动信号过程中出现的端点效应问题,本文在目前传统改进方法的基础上,提出一种边界修饰(Boundary Modification,BM)算法,将其引入到LCD分解过程中(BMLCD),进一步抑制端点效应问题。实验验证了该算法能够有效处理真实的工业信号。其次,由于振动信号具有强烈的非线性和非平稳特性,使用单一的预测模型往往具有片面性,导致模型预测精度有限。提出一种基于BMLCD-PSOLSTM的混合预测模型。通过BMLCD算法将原始信号分解成若干个ISC分量,对每一个分量建立PSOLSTM预测模型,将分量结果相加得到最终预测结果。由于超参数的选择直接影响模型精度,建立了一个权衡了模型预测精度(RMSE)和模型复杂度(隐含层神经元和时间滞后数量)的多目标优化模型并利用粒子群(Particle Swarm Optimization,PSO)算法求解获得最优参数组合,确保模型的最佳性能。最后,为了保证当数据分布发生变化时模型的长期有效性,将在线更新思想引入到预测模型中。针对LSTM模型由于算法效率较低难以满足在线更新问题,本文提出一种基于Error-LSTM(E-LSTM)的在线更新模型。通过将隐含层神经元分块更新的方式提升模型的效率;并且E-LSTM模型能够根据数据的分布变化情况自适应的调整模型的训练方式,从而提高模型的精度。采用LSTM模型进行对比实验,结果表明,基于E-LSTM的更新模型在模型精度和效率方面均优于基于LSTM的更新模型。

关键词：振动信号预测时间序列局部特征尺度分解 LSTM网络在线更新

基于LCD和PSO-LSSVM的城轨列车滚动轴承故障诊断研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LCD和PSO-LSSVM的城轨列车滚动轴承故障诊断研究

作者：王辞北京交通大学

学位级别：硕士

摘要：目前,我国正步入快速建设城市轨道交通的时期,大量新线投入运营,城市轨道列车作为承载乘客的载体,其运行安全与乘客的生命财产安全直接相关。滚动轴承作为列车的关键零部件之一,其运行状态将直接影响行车安全,因此,对滚动轴承进... 详细信息

摘要：目前,我国正步入快速建设城市轨道交通的时期,大量新线投入运营,城市轨道列车作为承载乘客的载体,其运行安全与乘客的生命财产安全直接相关。滚动轴承作为列车的关键零部件之一,其运行状态将直接影响行车安全,因此,对滚动轴承进行实时有效的在线监测与诊断,不仅能避免事故的发生,还能改变现有的维修机制：以状态修代替时间修和故障修,进而降低运营成本,提升运营维护水平。本文以城市轨道列车的滚动轴承作为研究对象,从振动信号的分析处理、特征提取和故障模式识别三个方面对轴承故障诊断技术展开了深入研究,主要研究内容如下： (1)针对滚动轴承信号的非线性非平稳特征,构建了基于小波包分析(Wavelet Packet Analysis, WPA)和局部特征尺度分解(Local Characteristic-scale Decomposition, LCD)的信号处理算法,实现了降噪和故障模态分析。WPA算法可以在整个频带上对信号进行多尺度划分,利用这一特性,能有效地消除信号的噪声分量,提高信噪比。LCD算法能自适应地将信号分解成一系列内禀尺度分量(Intrinsic Scale Component, ISC)之和,对ISC进行包络谱分析,与轴承故障特征频率对比即可判断出滚动轴承的故障类型。与常用的经验模态分解算法相比,LCD迭代次数少,运行速度快,更适用于振动信号的在线分析。 (2)在对振动信号时域、频域和时频域分析的基础上,系统地构建了能有效反映滚动轴承状态信息的特征参数。时域参数与滚动轴承的故障程度密切相关;根据频域参数可以诊断出滚动轴承的故障类型;小波包能量谱参数和ISC能量矩参数的大小和分布规律可以作为滚动轴承故障诊断的判断依据。为避免所有特征参数之间的信息冗余,同时提高故障识别的速度,采用核主成分分析(Kernel Principal Component Analysis, KPCA)算法对参数进行优化降维处理,得到信号的特征向量。 (3)基于故障诊断准确率的考虑,提出了粒子群(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)的诊断算法。LSSVM算法具有很好的学习与泛化能力,能有效地处理小样本和非线性问题。把正常轴承与外圈、内圈和滚动体三种故障信号的特征向量输入LSSVM模型,并使用PSO优化模型的参数,避免参数选择的盲目性,优化后的LSSVM模型对滚动轴承故障诊断准确率高达97.5%。研究结果表明,基于PSO-LSSVM的故障诊断算法准确率高、速度快,能有效地诊断轴承故障。在总结上述研究成果的基础上,开发出城市轨道列车走行系在途故障诊断系统,并成功应用于广州地铁列车,实现了滚动轴承的在途故障诊断。

关键词：滚动轴承故障诊断小波包分析局部特征尺度分解核主成分分析粒子群最小二乘支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

滚动轴承微弱故障信号特征提取与识别研究

滚动轴承微弱故障信号特征提取与识别研究

作者：周子贤南京信息工程大学

学位级别：硕士

随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经... 详细信息

随着机械设备不断向集成化和复杂化发展,为了同时保证加工效率与产品质量,故障检测技术也需要与时俱进。滚动轴承在机械设备中应用广泛,任何微小的损伤都可能对整个设备造成影响,及早发现滚动轴承故障并修复,能够有效降低安全隐患与经济损失。因此,对滚动轴承早期故障诊断技术进行研究尤为重要。轴承微弱故障信号特征易受噪声和人为干扰等因素影响,无法直接进行轴承的状态识别。故本文为了准确掌握滚动轴承的工作状态,从特征提取与模式识别两个方面进行了研究。首先提出了自适应部分集成局部特征尺度分解(Adaptive Partly-ensemble Local Characteristic-scale Decomposition,APLCD)与小波包变换(Wavelet Package Transform,WPT)结合的APLCD-WPT方法,以及自适应遗传随机共振(Adaptive Genetic Stochastic Resonance,AGSR)方法用于提取滚动轴承早期微弱故障特征。APLCD-WPT算法利用APLCD将振动信号自适应的分解为多个内禀尺度分量(Intrinsic mode component,ISC),每个ISC分量分别代表原信号不同频段的特征,再利用WPT修正ISC分量模态混叠的问题;AGSR利用遗传算法并行优化随机共振系统的多个参数,能够自适应筛选出与输入信号最匹配的系统参数,从而能够精确提取故障特征。文章还引入深度学习方法,利用堆叠稀疏自编码(Stacked Sparse Autoencoder,SSAE)对提取的特征进行模式识别,实现滚动轴承早期故障的智能诊断。SSAE网络由自动编码器(Autoencoder,AE)堆叠而成,使用多个自动编码器逐层训练网络,能够从海量数据中自适应的学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入Softmax分类器判断滚动轴承健康状况。本文通过APLCD-WPT算法与LCD等特征提取方法比较,表明APLCD-WPT在抑制模态混叠、提高特征提取的精确性上具有一定优越性。而AGSR算法由于使用遗传算法进行参数调优,特征提取效果也优于传统的随机共振方法。此外,将APLCD-WPT与AGSR提取的特征制作样本用于SSAE网络训练,在实验中,通过调整AE层数、隐藏层节点数与学习率等参数,寻找最优的网络模型,最终实现高效智能的滚动轴承早期故障诊断。

关键词：滚动轴承微弱故障诊断局部特征尺度分解随机共振堆叠稀疏自编码

基于LCD和模糊聚类的滚动轴承故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于LCD和模糊聚类的滚动轴承故障诊断方法研究

作者：余忠潇石家庄铁道大学

学位级别：硕士

作为机械系统的关键组成部分,滚动轴承的状态好坏对机械系统能否正常工作起决定性的影响,因此对轴承所出现的故障进行诊断分析具有重要意义。诊断的重心在于真实信息的提取与模式识别。前者通常表现为状态特征参数,至于后者实质上是一... 详细信息

作为机械系统的关键组成部分,滚动轴承的状态好坏对机械系统能否正常工作起决定性的影响,因此对轴承所出现的故障进行诊断分析具有重要意义。诊断的重心在于真实信息的提取与模式识别。前者通常表现为状态特征参数,至于后者实质上是一种相互对比和划分类别的过程。论文以滚动轴承的振动信号为研究对象,分别从信号处理、特征提取以及模式识别这三个方面对滚动轴承的故障诊断进行研究分析。主要研究工作有:首先,针对故障特征频率提取的问题,提出了基于最大相关峭度反卷积(MCKD)与局部特征尺度分解(LCD)的轴承故障诊断方式。通过分析在信号处理的优势后,将两者相结合应用到实测信号中,结果表明该方法能够提取出更为丰富的故障特征频率。然后,针对故障诊断中的信息提取与模式识别,分析了排列熵和模糊聚类算法。排列熵的运算速度快,能够直接度量对象的复杂程度。通过对演化模型和随机信号进行研究,证明其在检测信号突变和表征特征信息的有效性,并分析选择了适用的参数;模糊聚类作为一种无监督的模式识别方式,能够将相互之间具有差异性的数据集合划分开来,而其中的Gath-Geve聚类不受形状方向分布的约束且对非线性类型的数据适应较好,将其作为故障类型的识别手段,综合这两方面为模式识别做好铺垫。最后,以相关实验台中的滚动轴承单一故障和复合故障为目标进行实验分析,验证模糊聚类识别不同故障工况的有效性和优越性。通过对故障振动信号进行MCKD-LCD处理后并从中筛选计算用于构造特征信息向量,将其输入到聚类器中进行故障识别。与其它方式相对比,利用对应的评价指标证明了文章所提方法的优越性,实现了对滚动轴承不同工况下的特征提取和故障识别。实验研究结果证明,文章提出的基于模糊聚类的故障诊断方法能够有效识别出不同状态的轴承故障,为相关设备的故障诊断提供新的理念。

关键词：滚动轴承局部特征尺度分解排列熵模糊聚类故障诊断