旋转机械典型故障特征提取方法研究

论文摘要

旋转机械是工业生产中应用最广泛的机械设备,研究旋转机械故障诊断技术及时发现并查找故障原因,可极大的减少和避免安全事故以及经济损失具有重要的现实意义。本文总结了常见旋转机械故障类型的故障机理,研究了旋转机械故障诊断的常规流程以及旋转机械故障特诊提取以及故障诊断推理方法,并主要针对旋转机械的典型故障开展了实验研究。本文首先搭建了旋转机械故障分析实验系统平台,该实验系统包括：旋转机械实验台、电涡流传感器、数据采集卡、信号调理模块、实验数据分析计算机。并在该实验台上模拟裂纹故障,监测并且采集旋转机械的振动信号,对其进行采集与分析。在时域内使用时域特征分析,频域内应用传统FFT功率谱分析方法以及小波包频域能量分析的方法,对裂纹故障信号进行特征提取。应用特征评估的原理,选择最适合于进行故障诊断的故障特征。应用BP神经网络,SOC自组织竞争神经网络以及SVM支持向量机建立故障诊断模型,比对其性能进行比较。SOC网络以及SVM结构易于确定,且性能也优于BP网络。针对故障特征在旋转机械出现裂纹故障状态下区分度比较差的这一问题,提出一种将小波包分解与时域特征提取相结合的新方法,并应用了新的特征提取方法进行实验分析。结果表明,该特征提取方案可以在一定程度上提高了故障特征的区分度。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 概述
• 1.1 引言
• 1.2 旋转故障诊断研究的内容与实质
• 1.2.1 故障机理研究
• 1.2.2 故障信息检测与采集
• 1.2.3 故障特征提取与分析
• 1.2.4 故障诊断推理技术
• 1.3 旋转机械故障诊断的现状以及发展趋势
• 1.4 本章小结
• 第二章 旋转机械故障诊断常用方法
• 2.1 旋转机械常见的故障类型及机理分析
• 2.2 旋转机械故障诊断方法分析
• 2.2.1 旋转机械故障诊断常规流程
• 2.2.2 传统的旋转机械故障特征提取方法
• 2.2.3 旋转机械故障特征提取中的时频分析方法
• 2.2.3.1 时域特征提取
• 2.2.3.2 频域特征提取
• 2.2.3.3 小波变换原理
• 2.2.3.4 小波包分析原理
• 2.2.3.5 小波包特征提取算法
• 2.2.4 旋转机械故障特征提取中的其他方法
• 2.2.5 特征评估方法
• 2.3 旋转机械故障诊断推理的方法分析
• 2.3.1 基于控制模型的故障诊断
• 2.3.2 基于人工智能的故障诊断
• 2.3.3 基于神经网络的故障诊断
• 2.3.3.1 BP神经网络
• 2.3.3.1.1 网络结构
• 2.3.3.1.2 学习过程
• 2.3.3.2 自组织竞争神经网络（SOC网络）
• 2.3.3.2.1 网络结构
• 2.3.3.2.2 学习过程
• 2.3.4 支持向量机（SVM）
• 2.3.4.1 最优分类
• 2.3.4.2 非线性问题求解
• 2.3.5 其他方法
• 2.4 本章小结
• 第三章 旋转机械故障诊断实验装置介绍
• 3.1 试验台旋转机械模块介绍
• 3.1.1 传感器
• 3.1.2 信号调理模块
• 3.1.3 数据采集卡
• 3.2 本章小结
• 第四章 旋转机械故障诊断数据分析
• 4.1 数据采集
• 4.1.1 数据采集
• 4.1.2 数据预处理
• 4.1.2.1 几种滤波器介绍
• 4.1.2.2 几种滤波器的比较
• 4.2 故障特征分析
• 4.2.1 时域特征分析
• 4.2.2 频域特征分析
• 4.2.2.1 fft功率谱分析
• 4.2.2.2 小波包分解能量分析
• 4.2.3 特征评估分析
• 4.3 故障推理分析
• 4.3.1 特征数量分析
• 4.3.2 训练样本数量分析
• 4.3.3 BP网络、SOC网络和SVM比较分析
• 4.4 故障特征提取方法改进
• 4.4.1 方法改进
• 4.4.2 改进效果
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者及导师简介
• 北京化工大学硕士研究生学位论文答辩委员会决议书