基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究

发布时间：2017-04-08 00:19

  本文关键词：基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：轴承是机械设备中的常用部件之一，同时也是发生故障较多的元件，保证轴承的健康工作是机械得以稳定运行的前提，因而轴承故障诊断已成为机械故障诊断技术中的一个重要分支。针对目前常用的信号处理方法多为非自适应性的，在处理非线性、非平稳的振动信号时存在局限性，本文引入具有自适应特点的总体平均经验模式分解（EEMD），并提出了EEMD与样本熵相结合的特征提取方法，用于实现以信号局部复杂度信息为判断依据的故障诊断；同时针对机械故障模式存在模糊性而难以识别的问题，采用Gath-Geva聚类算法对故障进行状态识别，并将上述特征提取方法和Gath-Geva聚类算法结合起来应用到轴承故障诊断中。 首先，研究了经验模式分解(EMD)的基本原理及其在信号分解中的应用；针对经验模式分解的模式混叠现象，引入噪声辅助的EEMD分解，一方面可以实现对信号按照不同时间尺度的分解，从而提取出信号的局部特征信息，另一方面还能够在一定程度上达到了抑制模式混叠的目的。 其次，针对机械出现故障时其动力学特性呈现复杂性的特点，引入用于度量信号复杂性的样本熵，并分析了样本熵受参数影响、抗数据丢失能力强和具有良好的一致性等特点。在此基础上，用样本熵对信号EEMD分解出的IMF分量进行量化，可获取振动信号不同频带上的复杂度信息，进一步将其作为模式识别的输入量，为轴承的故障识别提供了依据。 然后，以Gath-Geva模糊聚类作为故障识别方法，对上述构建的轴承振动信号故障特征向量进行聚类分析，实现了轴承故障的准确识别。 最后，以美国凯斯西储大学的滚动轴承故障数据为研究对象，，从滚动轴承不同信号类型和不同损伤程度两个方面进行实验，结果表明：基于EEMD和样本熵的特征提取方法能够有效地对两种情况下的滚动轴承故障特征进行刻画，并且Gath-Geva聚类算法在故障诊断中取得了良好的识别效果。
【关键词】：故障诊断 总体平均经验模式分解(EEMD) 样本熵 特征提取 Gath-Geva模糊聚类
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.3;TH165.3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-18
• 1.1 机械故障诊断的背景和意义10-11
• 1.2 机械故障诊断技术发展概况11-12
• 1.3 机械故障诊断的内容12-13
• 1.3.1 状态监测技术12
• 1.3.2 故障诊断技术12-13
• 1.4 轴承故障诊断的基本内容13-17
• 1.4.1 非自适应分析方法13-14
• 1.4.2 自适应分析方法14-15
• 1.4.3 熵在故障诊断中的应用15-16
• 1.4.4 模式识别在故障诊断中的应用16-17
• 1.5 本文的主要研究内容17-18
• 第2章 总体平均经验模式分解研究18-31
• 2.1 EMD基本概念18-21
• 2.1.1 三次样条插值曲线拟合18-19
• 2.1.2 瞬时频率19-20
• 2.1.3 本征模态函数20-21
• 2.2 经验模式分解理论21-27
• 2.2.1 EMD的基本算法21-23
• 2.2.2 EMD的效果验证23-27
• 2.3 EEMD原理27-30
• 2.4 本章小结30-31
• 第3章 基于样本熵的振动信号特征提取31-44
• 3.1 熵理论31
• 3.2 几种常用熵31-34
• 3.2.1 信息熵31-32
• 3.2.2 奇异值熵32-33
• 3.2.3 小波能量熵33-34
• 3.2.4 Renyi熵34
• 3.3 基于样本熵的特征提取34-43
• 3.3.1 样本熵理论35-39
• 3.3.2 基于样本熵的特征提取方法研究39-43
• 3.4 本章小结43-44
• 第4章 模糊聚类方法研究44-60
• 4.1 聚类基本理论44-49
• 4.1.1 聚类的基本概念44-45
• 4.1.2 聚类相似度度量45-48
• 4.1.3 聚类的基本思路48-49
• 4.2 模糊聚类算法49-56
• 4.2.1 FCM聚类算法49-50
• 4.2.2 GK聚类算法50-52
• 4.2.3 GG聚类算法52-53
• 4.2.4 模糊聚类效果检验53-56
• 4.3 模糊模式识别56-59
• 4.3.1 择近原则56-58
• 4.3.2 最大隶属度原则58-59
• 4.4 本章小结59-60
• 第5章 滚动轴承故障诊断分析实验60-78
• 5.1 滚动轴承故障诊断实验数据60-61
• 5.2 时频分析61-66
• 5.2.1 不同类型故障时频分析61-64
• 5.2.2 不同损伤程度故障信号时频分析64-66
• 5.3 信号去噪66-67
• 5.4 不同类型轴承故障诊断67-74
• 5.4.1 轴承振动信号EEMD分解67-70
• 5.4.2 基于样本熵的特征量化70-71
• 5.4.3 GG聚类的故障识别71-74
• 5.5 轴承不同损伤程度故障诊断74-77
• 5.6 本章小结77-78
• 结论78-80
• 参考文献80-84
• 攻读硕士学位期间承担的科研任务与主要成果84-85
• 致谢85-86
• 作者简介86

【参考文献】

中国期刊全文数据库 前2条

1 罗邦R

本文编号：291665