旋转机械故障早期识别方法研究与应用

发布时间：2017-04-07 21:14

  本文关键词：旋转机械故障早期识别方法研究与应用，由笔耕文化传播整理发布。

【摘要】：随着机械设备向大型化、复杂化和自动化发展,机械设备的故障诊断技术显得日益重要。旋转机械是机械设备的重要组成部分,旋转机械的故障识别也成为重中之重。而在故障发生的初期阶段就识别故障,并采取相应措施,是非常有必要的,不仅可以提高经济效益,还可以减少事故的发生。本文主要是对旋转机械故障的早期识别方法进行研究,基于小波分析和盲源分离研究了三种旋转机械的早期故障识别方法,并在开发平台LabVIEW上开发了旋转机械在线监测与故障诊断系统。 本文首先研究了一种基于连续小波变换的早期故障识别方法,根据小波熵选择最优尺度,然后对该尺度进行小波重构,并对重构信号进行包络谱分析,从而识别故障。本文利用仿真信号和弱故障轴承的实测信号进行验证分析,都能准确、有效地识别故障。 由于基于连续小波变换的小波重构算法只是对信号的低频部分进行分解,而对高频部分没有分解,于是又研究了基于小波包分解的频带优化方法来识别旋转机械早期故障,其中小波包分解的子频带是同时对低频和高频部分进行分解。首先对故障信号和参考信号同时进行小波包分解,然后分别计算对应子频带的峭度差,根据仿真信号和实测信号的验证分析,峭度差最大的频带即为最优频带,对最优频带的子信号进行包络分析,可以很好的识别旋转机械的早期故障。 针对多振动源而采集通道有限的振动信号分析,本文基于时频分析研究了单通道信号的肓源分离方法。首先对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将单通道信号与最优观察信号组成新的多通道信号进行基于时频分析的盲源分离。本文具体地阐述了基于时频分析的盲源分离算法,并对仿真信号和齿轮箱故障信号进行验证分析,并通过与传统的基于独立分量分析的盲源分离算法进行对比,发现基于时频分析的盲源分离算法对混合信号具有更好的分离效果。 基于LabVIEW平台开发了旋转机械的状态监测与故障识别系统。通过LabVIEW二次开发AVANT MI-7016数据采集仪可以实现8个通道的数据采集,并进行在线监测显示振动信号的棒图、时域和频域,通过数据存储又可以实现对信号的离线分析,如趋势分析、时域分析、频域分析和小波分析。
【关键词】：旋转机械 早期故障识别 小波变换 盲源分离 经验模式分解
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-15
• 1.1 论文选题背景及研究意义9-11
• 1.2 本课题国内外研究现状11-13
• 1.3 论文的研究内容及安排13-15
• 2 小波分析15-27
• 2.1 连续小波变换15-21
• 2.1.1 连续小波变换定义15-19
• 2.1.2 小波时频窗19-20
• 2.1.3 傅里叶变换、Gabor变换、小波变换对比20-21
• 2.2 离散小波变换21
• 2.3 多分辨率分析21-24
• 2.3.1 尺度函数21-22
• 2.3.2 小波函数22
• 2.3.3 Mallat算法22-24
• 2.4 小波包分解24-26
• 2.5 本章小结26-27
• 3 基于连续小波变换的早期故障识别27-38
• 3.1 小波重构定义27-29
• 3.2 基于小波熵的最优小波尺度选取29-30
• 3.3 仿真信号的小波重构30-34
• 3.3.1 仿真信号的构建30-32
• 3.3.2 仿真信号的小波重构32-34
• 3.4 实测信号的小波重构34-37
• 3.5 本章小结37-38
• 4 基于小波包分解的早期故障识别38-47
• 4.1 峭度分析38-39
• 4.2 基于峭度的最优频带选取39-40
• 4.3 仿真信号40-43
• 4.4 实测信号43-46
• 4.5 本章小结46-47
• 5 基于时频分析的单通道信号盲源分离对机械设备的早期故障识别47-72
• 5.1 经验模式分解47-52
• 5.1.1 经验模式分解定义47-49
• 5.1.2 经验模式分解滤波49
• 5.1.3 源信号个数估计49-51
• 5.1.4 最优观察信号选取51-52
• 5.2 基于时频分析的盲源分离算法52-57
• 5.2.1 概述52-53
• 5.2.2 数学模型53-54
• 5.2.3 数据预处理54-56
• 5.2.4 联合对角化56-57
• 5.2.5 算法步骤57
• 5.3 仿真信号的盲源分离57-64
• 5.4 实测信号的盲源分离64-71
• 5.5 本章小结71-72
• 6 基于 LabVIEW的旋转机械在线监测与故障识别系统72-81
• 6.1 LabVIEW开发平台简介72
• 6.2 硬件介绍72-75
• 6.2.1 采集设备72-74
• 6.2.2 传感器74
• 6.2.3 硬件搭建74-75
• 6.3 软件介绍75-81
• 6.3.1 用户管理模块76-77
• 6.3.2 在线监测模块77
• 6.3.3 离线分析模块77-81
• 结论81-83
• 参考文献83-87
• 攻读硕士学位期间发表学术论文情况87-88
• 致谢88-89

【参考文献】

中国期刊全文数据库 前10条

1 张彦强;乔文刚;;利用共振解调技术对滚动轴承故障诊断[J];包钢科技;2010年04期

2 王聪;;基于Hilbert解调及倒谱的齿轮箱点蚀故障诊断研究[J];电力科学与工程;2011年03期

3 陈祥训;对几个小波基本概念的理解[J];电力系统自动化;2004年01期

4 刘峻华,黄树红,陆继东;汽轮机故障诊断技术的发展与展望[J];动力工程;2001年02期

5 曾宪伟;赵卫明;盛菊琴;;小波包分解树结点与信号子空间频带的对应关系及其应用[J];地震学报;2008年01期

6 李霄,裴树毅,屈梁生;全息谱技术用于化工动设备故障诊断[J];化工进展;1993年04期

7 王平,廖明夫;滚动轴承故障诊断的自适应共振解调技术[J];航空动力学报;2005年04期

8 王玉甲;张铭钧;郭勇;;基于PCA的水下机器人故障诊断与数据重构[J];华中科技大学学报(自然科学版);2009年S1期

9 杨伸记,廖明夫,赵旭民;旋转机械状态监测与故障诊断系统[J];测控技术;2000年01期

10 罗邦R，

本文编号：291344