發(fā)布時(shí)間：2020-03-23 05:00

【摘要】： 振動(dòng)信號(hào)是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與故障診斷的基本信息來(lái)源,而這些信號(hào)通常為非線(xiàn)性、非高斯的非平穩(wěn)信號(hào)。通過(guò)小波變換所得的故障信號(hào)的小波尺度譜,其紋理分布及灰度變化能夠較好的反映出故障的非平穩(wěn)特征,對(duì)其進(jìn)行特征提取并應(yīng)用于故障診斷中,有利于轉(zhuǎn)子故障的智能診斷。目前提出的小波尺度譜特征提取的方法主要有基于小波系數(shù)矩陣的一階灰度矩向量以及尺度譜紋理特征。上述兩種尺度譜特征提取的方法,從圖像像素的二階統(tǒng)計(jì)特性方面對(duì)故障特征進(jìn)行了描述,提取了較好的故障特征,但未對(duì)故障的非線(xiàn)性特征進(jìn)行相應(yīng)的分析,忽略了圖像中的高階統(tǒng)計(jì)信息。針對(duì)上述問(wèn)題,本文提出了利用核主成分分析(KPCA)對(duì)尺度譜圖像進(jìn)行特征的提取,并利用參數(shù)自適應(yīng)支持向量機(jī)模型對(duì)提取的尺度譜特征進(jìn)分類(lèi),結(jié)果表明了該方法對(duì)尺度譜特征提取的有效性。 第一,闡述了連續(xù)小波變換的基本原理,小波基函數(shù)的性質(zhì)和本文中選擇小波基函數(shù)的依據(jù)。分析和研究了轉(zhuǎn)子不平衡、不對(duì)中、碰摩及油膜渦動(dòng)等四類(lèi)典型轉(zhuǎn)子故障的故障機(jī)理、頻譜特征和相應(yīng)的尺度譜圖像特征。 第二,對(duì)尺度譜的一階灰度矩向量、尺度譜紋理特征的提取方法進(jìn)行了介紹。研究了核方法的基本原理以及幾種常用的典型核函數(shù),介紹了主成分分析(PCA)的基本方法和原理,并將核方法與PCA方法結(jié)合,提出了基于核主成分分析(KPCA)的小波尺度譜特征提取方法。利用ZT-3多功能轉(zhuǎn)子故障模擬實(shí)驗(yàn)系統(tǒng)、航空發(fā)動(dòng)機(jī)轉(zhuǎn)子故障實(shí)驗(yàn)器對(duì)上述四類(lèi)故障進(jìn)行數(shù)據(jù)模擬和采集。提取了上述故障樣本的小波尺度譜圖像特征,并對(duì)所得的特征數(shù)據(jù)進(jìn)行了分析研究。 第三,研究了支持向量機(jī)分類(lèi)模型的原理和其在學(xué)習(xí)分類(lèi)中的優(yōu)越性。針對(duì)目前支持向量機(jī)模型參數(shù)的確定尚無(wú)標(biāo)準(zhǔn)的方法,研究了核函數(shù)參數(shù)σ及支持向量機(jī)懲罰因子C,對(duì)模型分類(lèi)效果的影響,并采用遺傳算法對(duì)上述兩個(gè)參數(shù)進(jìn)行了優(yōu)化,構(gòu)造形成了參數(shù)自適應(yīng)的支持向量機(jī)模型。最后運(yùn)用該模型對(duì)所提取的尺度譜特征進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明,利用KPCA方法所提取的尺度譜數(shù)字特征具有較強(qiáng)的故障識(shí)別能力,通過(guò)該方法提取的特征可以有效的實(shí)現(xiàn)轉(zhuǎn)子故障的智能診斷。
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類(lèi)號(hào)】：TH165.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 唐麗杰,吳重慶,尚玉峰,張勇;光纖電壓傳感器最新進(jìn)展[J];半導(dǎo)體光電;2002年04期

2 李，

本文編號(hào)：2596225