【摘要】： 旋轉(zhuǎn)機械是設(shè)備狀態(tài)檢測與故障診斷工作的重點,而旋轉(zhuǎn)機械的故障有相當大比例與滾動軸承有關(guān)。因此,及時發(fā)現(xiàn)并排除軸承故障具有重要的意義。由于受傳感器安裝位置的限制和多故障并發(fā)時的故障與特征之間非線性關(guān)系等影響,傳感器采集到的信號非常復(fù)雜。所以,我們在特征提取之前,非常有必要對多故障源進行分離,為正確地提取故障特征做好前期的準備。 本課題研究的目的在于把后非線性獨立分量分析方法引入到旋轉(zhuǎn)機械多故障診斷領(lǐng)域�；跐L動軸承振動信號中獲取的故障數(shù)據(jù),進行故障源進行分離和特征提取,從而提高故障診斷的水平和效率。 本文的內(nèi)容主要包括以下幾個方面: 首先介紹了獨立分量分析方法的原理及各種相關(guān)的獨立分量分析模型特點。 其次對故障源過程進行分析,并把獨立分量分析方法引入到故障的特征分離中。本文主要介紹了快速獨立分量分析(fastICA, fast independent component anlysis )與后非線性馬爾可夫( markovPNL, markov post nonlinear)盲源分離方法。 然后是故障數(shù)據(jù)采集系統(tǒng)的搭建,根據(jù)采集到的不同單故障數(shù)據(jù),進行線性和非線性混合,對混合數(shù)據(jù)采用了fastICA與markovPNL獨立分量分析方法分離,并得到不同的分離效果。最后根據(jù)仿真結(jié)果,把markovPNL分離方法應(yīng)用到軸承多故障并發(fā)分離中。 實驗結(jié)果證明了,markovPNL分離方法在多故障并發(fā)的分離中具有良好的效果,為后期的特征提取提供了強有力的幫助。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2008
【分類號】：TH165.3

【相似文獻】

相關(guān)期刊論文 前10條

1 趙宏偉;張清華;夏路易;;證據(jù)理論在旋轉(zhuǎn)機械并發(fā)故障診斷中研究的進展[J];廣東石油化工學(xué)院學(xué)報;2011年04期

2 李暉;梁樹甜;;模糊模式識別在旋轉(zhuǎn)機械故障診斷中的應(yīng)用[J];船電技術(shù);2011年09期

3 江志農(nóng);徐文明;;基于CBR的旋轉(zhuǎn)機械故障診斷專家系統(tǒng)的設(shè)計[J];組合機床與自動化加工技術(shù);2011年08期

4 周文利;鄭宇;;基于VxWorks的旋轉(zhuǎn)機械狀態(tài)監(jiān)測系統(tǒng)[J];儀表技術(shù)與傳感器;2011年07期

5 譚青;謝燕琴;劉文倩;;球式自動平衡裝置在二倍頻激勵下的動態(tài)特性[J];噪聲與振動控制;2011年04期

6 王峰;熊華林;;旋轉(zhuǎn)機械運轉(zhuǎn)過程中的隨機動力學(xué)分叉[J];煤炭技術(shù);2011年07期

7 熊p，

本文編號：2598578