發(fā)布時間：2018-06-04 03:12

  本文選題：轉子系統(tǒng) + 流形子帶　； 參考：《振動與沖擊》2017年16期

【摘要】：針對復合故障特征易被噪聲信號淹沒,傳統(tǒng)時頻分析和流形學習方法不能完整有效的挖掘故障潛在信息和進一步實現(xiàn)故障特征提取。在流形學習的基礎上提出了一種流形子帶思想并將其應用到轉子復合故障特征提取研究中,進而得出了一種基于流形子帶特征映射的轉子復合故障特征提取方法。對故障原始信號序列進行相空間重構,結合小波包對噪聲的強烈抑制性和對信號分辨率高的特點,將重構信號分解成不同頻帶即子帶。將同故障多種工況下的同一頻帶融合成頻帶矩陣并估計其本征維數(shù),并通過拉普拉斯特征映射算法以本征維數(shù)為依據將子帶降維獲取低維特征向量并提取信息熵,進一步實現(xiàn)故障特征提取。實驗表明,相對于經典的局部線性嵌入和拉普拉斯特征映射等算法,流形子帶特征映射算法不僅對單故障而且對復合故障特征進行了更完整有效的挖掘和提取。
[Abstract]:Because complex fault features are easily submerged by noise signals, traditional time-frequency analysis and manifold learning methods can not fully and effectively mine fault potential information and further implement fault feature extraction. On the basis of manifold learning, an idea of manifold subband is proposed and applied to the research of rotor complex fault feature extraction, and a rotor composite fault feature extraction method based on manifold subband feature mapping is proposed. Based on the phase space reconstruction of the original fault signal sequence, the reconstructed signal is decomposed into sub-bands in different frequency bands, which combines the strong suppression of wavelet packet to noise and the high resolution of signal. The same frequency band under the same fault condition is fused into a frequency band matrix and its intrinsic dimension is estimated. Based on the intrinsic dimension, the subband reduction dimension is obtained by the Laplace feature mapping algorithm, and the information entropy is extracted. Furthermore, fault feature extraction is realized. Experiments show that compared with the classical local linear embedding and Laplace feature mapping algorithms, the Manifold subband feature mapping algorithm not only can mine and extract the single fault but also the composite fault feature more completely and effectively.
【作者單位】： 湖南科技大學機械設備健康維護湖南省重點實驗室;中交第二航務工程局有限公司深圳分公司;中芯國際集成電路制造(深圳)有限公司;
【基金】：國家自然科學基金項目(51575178;11572125)
【分類號】：TH17;TP181

【相似文獻】

相關期刊論文 前2條

1 盧娜;肖志懷;張廣濤;孫召輝;;基于自適應多小波與綜合距離評估指數(shù)的旋轉機械故障特征提取[J];振動與沖擊;2014年12期

2 胡建忠;黃夢;尹曉利;劉振興;范成洲;;基于形態(tài)小波變換與EMD的齒輪多重故障特征提取方法[J];裝甲兵工程學院學報;2014年02期

相關博士學位論文 前2條

1 王玉靜;滾動軸承振動信號特征提取與狀態(tài)評估方法研究[D];哈爾濱工業(yè)大學;2015年

2 余發(fā)軍;機械故障稀疏特征提取及診斷方法研究[D];武漢科技大學;2016年

相關碩士學位論文 前7條

1 代士超;滾動軸承外圈故障機理建模及雙沖擊特征提取方法的研究[D];昆明理工大學;2015年

2 孫美巖;基于振動信號的滾動軸承故障特征提取研究[D];東北石油大學;2015年

3 康樂;基于EEMD-SVD的FCM聚類的軸承故障診斷[D];燕山大學;2016年

4 李茜茜;非穩(wěn)態(tài)工況下滾動軸承故障特征提取與診斷[D];沈陽航空航天大學;2016年

5 陳剛;特征優(yōu)化方法研究及其在軸承故障診斷中的應用[D];上海交通大學;2015年

6 裴愛嶺;滾動軸承故障特征提取方法研究[D];沈陽航空航天大學;2015年

7 尹芳莉;強沖擊下變速箱滾動軸承故障特征提取及狀態(tài)評估研究[D];中南大學;2014年

，

本文編號：1975597