基于流形学习的旋转机械故障识别方法研究

发布时间：2017-08-06 00:15

  本文关键词：基于流形学习的旋转机械故障识别方法研究

  更多相关文章： 旋转机械 故障识别 流形学习 等距映射 特征提取 固有模态函数

【摘要】：旋转机械在现代生产体系中占据着不可替代的位置,一旦发生故障而没有及时发觉,就会由于多米诺效应导致整个系统瘫痪,造成重大的经济损失甚至人员伤亡。因此对旋转机械的故障识别技术显得尤为重要。故障识别主要步骤是首先获取设备现场运行信息,然后提取故障特征,最后进行状态识别和故障诊断。其中的关键是从振动信号中提取故障特征,也是本文的研究重点。本文深入研究了流形学习算法的基本原理,针对其易形成数据空洞而导致样本缺失的问题做出改进,并通过UCI数据集的仿真实例验证流形学习在揭示信号本质结构方面的有效性。对流形学习应用在故障识别时的高聚类性进行深入分析,与传统的主元分析等线性处理方法进行对比,说明了流形学习能够发现数据集隐藏在高维观测样本下的本质结构。本文采用流形学习和固有模态函数特征能量相结合的方法来提取故障信息特征。现场采集的设备振动信号经过EMD时频分析方法后得到若干个固有模态函数,由各阶固有模态函数的能量值组成特征向量,然后采用流形学习去除特征之间的冗余信息,提取出最能表征故障信息的特征。本文以机械故障综合模拟实验台为研究对象,搭建了基于Lab VIEW的信号采集系统,采用所提方法成功地对轴承和齿轮进行了故障诊断,发现了基于流形学习的故障识别技术对工况不敏感而对故障程度敏感,这对于故障诊断具有重要意义。本文将流形学习引入风电机组在线监测与故障诊断系统,成功地对风电机组的传动链进行了故障诊断,是技术理论转化为工程应用的一个重要实践。
【关键词】：旋转机械 故障识别 流形学习 等距映射 特征提取 固有模态函数
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3;TM315
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 绪论11-19
• 1.1 课题背景及研究的目的和意义11-12
• 1.2 旋转机械故障识别技术研究现状12-16
• 1.2.1 旋转机械故障识别的主要内容12-15
• 1.2.2 旋转机械故障识别技术的研究现状15-16
• 1.3 流形学习的研究现状及分析16-18
• 1.3.1 流形学习算法的研究现状16-17
• 1.3.2 流形学习的应用领域分析17-18
• 1.4 本文的主要内容18-19
• 第2章 流形学习的基本原理19-31
• 2.1 流形学习的基本概念19-23
• 2.1.1 机器学习19-20
• 2.1.2 流形的概念20-21
• 2.1.3 流形学习21-22
• 2.1.4 常见的几种流形学习方法22-23
• 2.2 等距映射算法23-28
• 2.2.1 算法的简介24-27
• 2.2.2 等距映射与MDS和PCA27-28
• 2.3 流形学习的原始应用28-30
• 2.3.1 人脸识别28-29
• 2.3.2 瑞士卷数据集29-30
• 2.4 本章小结30-31
• 第3章 基于流形学习的故障识别方法研究31-46
• 3.1 改进的流形学习在模式识别中的应用31-37
• 3.1.1 改进的流形学习31-32
• 3.1.2 仿真验证32-34
• 3.1.3 流形学习的高聚类性34-37
• 3.2 IMF特征能量37-45
• 3.2.1 固有模态函数37-38
• 3.2.2 EMD基本原理38-41
• 3.2.3 IMF特征能量41
• 3.2.4 传统特征提取方法41-44
• 3.2.5 实验验证44-45
• 3.3 本章小结45-46
• 第4章 基于流形学习的旋转机械故障识别46-60
• 4.1 旋转机械故障模拟实验系统46-51
• 4.1.1 机械故障综合模拟实验台46-49
• 4.1.2 基于Lab VIEW的数据采集系统49-51
• 4.2 基于流形学习的轴承故障识别51-55
• 4.2.1 实验过程51-52
• 4.2.2 数据处理流程52-53
• 4.2.3 数据分析及结果53-54
• 4.2.4 实验小结54-55
• 4.3 基于流形学习的齿轮故障识别55-57
• 4.3.1 实验过程55-56
• 4.3.2 数据分析及结果56-57
• 4.4 故障程度与工况对故障识别的影响研究57-59
• 4.5 本章小结59-60
• 第5章 基于流形学习的风电机组状态监测与故障诊断系统60-75
• 5.1 风电机组智能诊断系统60-62
• 5.1.1 风机智能诊断系统现状61
• 5.1.2 风机智能诊断系统的概述61-62
• 5.2 风电机组在线监测与远程故障诊断系统62-65
• 5.2.1 硬件架构62-64
• 5.2.2 软件支持64-65
• 5.3 应用实例65-74
• 5.3.1 发电机后轴承故障诊断66-71
• 5.3.2 齿轮箱高速轴齿轮故障诊断71-74
• 5.4 本章小结74-75
• 结论75-76
• 参考文献76-81
• 攻读硕士学位期间承担的科研任务与主要研究成果81-83
• 致谢83-84
• 作者简介84

【参考文献】

中国期刊全文数据库 前7条

1 付冬暇;赵淮;李爱霞;;基于流形学习的航空影像匹配方法研究[J];测绘与空间地理信息;2013年08期

2 黄石青;;基于流行学习LPP算法与Dijkstra算法结合的交通路径控制研究[J];科技创新与应用;2013年31期

3 马明臻;张新宇;谭春林;刘日平;;航天机构潜在故障模式与故障机理分析[J];燕山大学学报;2014年01期

4 张清华;邵龙秋;李红芳;朱月君;;基于无量纲指标的旋转机械并发故障诊断技术[J];华中科技大学学报(自然科学版);2009年S1期

5 彭富强;于德介;武春燕;;基于自适应时变滤波阶比跟踪的齿轮箱故障诊断[J];机械工程学报;2012年07期

6 高文曦;于凤芹;;基于局部线性嵌入算法的汉语数字语音识别[J];计算机工程与应用;2012年31期

7 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

中国博士学位论文全文数据库 前2条

1 胡劲松;面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D];浙江大学;2003年

2 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

中国硕士学位论文全文数据库 前3条

1 卢传奇;基于HHT和模糊C均值聚类的液压泵故障诊断研究[D];燕山大学;2012年

2 贺伟;基于HHT和支持向量机的旋转机械故障诊断研究[D];昆明理工大学;2012年

3 陈晰;基于J2EE的风电SCADA系统的研究[D];电子科技大学;2013年

，

本文编号：627561