機(jī)械設(shè)備伴隨著科技的進(jìn)步,其精度與運(yùn)行要求也越來(lái)越高,這必將產(chǎn)生海量的數(shù)據(jù),機(jī)械故障診斷由此步入了大數(shù)據(jù)的時(shí)代。面對(duì)著眾多的數(shù)據(jù),如何從數(shù)據(jù)中提取特征,以便更好地識(shí)別和診斷故障成為了一個(gè)亟待決解的問(wèn)題。由于機(jī)器設(shè)備在運(yùn)轉(zhuǎn)過(guò)程中,所產(chǎn)生的振動(dòng)信號(hào)不僅僅包含線性的振動(dòng)信息,而且也包含著非線性的振動(dòng)信號(hào),因此,針對(duì)非線性振動(dòng)信號(hào)去除無(wú)關(guān)分量,更好地提取故障特征變得十分必要。本課題針對(duì)轉(zhuǎn)子振動(dòng)信號(hào)的特征提取主要展開(kāi)以下研究工作:(1)針對(duì)傳統(tǒng)歐式距離在高維觀測(cè)空間有時(shí)面臨失效的問(wèn)題,提出一種的新的度量函數(shù)近鄰概率距離(Nearby Probability Distance,NPD),并用它代替局部保持投影算法(Locality Preserving Projection,LPP)中計(jì)算近鄰點(diǎn)的歐式距離,提出基于近鄰概率距離的局部保持投影算法(Nearby Probability Distance Locality Preserving Projection,NPDLPP)和基于近鄰概率距離的K近鄰分類(lèi)器(Nearby Probability Distance K-Nearest Neighbor,NPDKNN)。在雙跨度轉(zhuǎn)子實(shí)驗(yàn)臺(tái)上證明改進(jìn)方法的有效性。(2)針對(duì)軸承故障類(lèi)型難以辨識(shí)的問(wèn)題,提出了經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)和多尺度排列熵(Multi-scale Permutation Entropy,MPE)的特征提取模型。該方法首先采用經(jīng)驗(yàn)小波變換對(duì)原始振動(dòng)信號(hào)進(jìn)行自適應(yīng)分解,獲得一系列AM-FM分量,然后通過(guò)相關(guān)性分析去除無(wú)關(guān)變量并根據(jù)選擇的AM-FM分量計(jì)算它們的多尺度排列熵,最后將所建立的特征集輸入到GG聚類(lèi)算法當(dāng)中。通過(guò)滾動(dòng)軸承數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證方法的可靠性。(3)提出經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)和AR模型的故障診斷模型。AR模型的自回歸參數(shù)反映了設(shè)備運(yùn)行狀態(tài)的有效信息,對(duì)設(shè)備運(yùn)行變化規(guī)律響應(yīng)較為敏感,從而用AR模型的自回歸參數(shù)當(dāng)作提取的向量表示設(shè)備運(yùn)行的狀況。由于AR模型針對(duì)的是平穩(wěn)信號(hào)的處理和分析,因此在建立AR模型之前有必要對(duì)信號(hào)進(jìn)行相應(yīng)的預(yù)處理。因此提出基于經(jīng)驗(yàn)小波變換的AR模型,并把結(jié)果輸入到模糊C均值聚類(lèi)中,用滾動(dòng)軸承的數(shù)據(jù)驗(yàn)證其有效性。
【學(xué)位單位】：蘭州理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：TH113.1
【部分圖文】：

NPDLPP與NPDKNN相結(jié)合的故障分類(lèi)方法流程圖

本章將提出將經(jīng)驗(yàn)小波變換、多尺度排列熵、斷方法，并通過(guò)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證它的優(yōu)勢(shì)。簡(jiǎn)介變換來(lái)新提出的一種自適應(yīng)信號(hào)處理方法，它的核心思進(jìn)行自適應(yīng)分割，構(gòu)建一組適合待處理信號(hào)的小里葉頻譜的 AM-FM 成分，然后對(duì)提取的 AM-F終獲得有意義的瞬時(shí)頻率和瞬時(shí)幅值，進(jìn)而得到 H支撐[0,π]分割成 N 個(gè)連續(xù)的部分 Λn=[ωn-1,ωn](ω0=中 ωn表示各部分之間的邊界，ωn值選擇為信號(hào)傅小值。如圖 4.1 所示，以每一個(gè) ωn為中心，定義圖 4.1 中陰影部分）。

熵并作為特征向量，并利用主成分分析（P進(jìn)行可視化降維，獲取維數(shù)低、敏感度后輸入到 GG 聚類(lèi)算法中。具體步驟如下號(hào)進(jìn)行經(jīng)驗(yàn)小波變換，得到若干個(gè) AM- AM-FM 分量進(jìn)行相關(guān)性分析，相關(guān)系態(tài)與原信號(hào)的相關(guān)性約等于各分量的自模態(tài)分量進(jìn)行相關(guān)性分析[60]，從中選擇分析樣本，以達(dá)到對(duì)無(wú)關(guān)模態(tài)剔除的目的模態(tài)分量的多尺度排列熵值，取前 9 個(gè)分分析對(duì)特征向量進(jìn)行降維。的低維特征向量作為 GG 聚類(lèi)算法的輸。圖 4.2 所示：

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 祝文穎;馮志鵬;;基于改進(jìn)經(jīng)驗(yàn)小波變換的行星齒輪箱故障診斷[J];儀器儀表學(xué)報(bào);2016年10期

2 鄭近德;潘海洋;潘紫微;羅潔思;;自適應(yīng)無(wú)參經(jīng)驗(yàn)小波變換及其在轉(zhuǎn)子故障診斷中的應(yīng)用[J];中國(guó)機(jī)械工程;2016年16期

3 許凡;方彥軍;張榮;;基于EEMD模糊熵的PCA-GG滾動(dòng)軸承聚類(lèi)故障診斷[J];計(jì)算機(jī)集成制造系統(tǒng);2016年11期

4 李沁雪;廖曉文;張清華;崔得龍;;基于EWT和多尺度熵的軸承特征提取及分類(lèi)[J];軸承;2016年01期

5 趙榮珍;王雪冬;鄧林峰;;基于PCA-KLFDA的小樣本故障數(shù)據(jù)集降維方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年12期

6 向玲;李媛媛;;經(jīng)驗(yàn)小波變換在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];動(dòng)力工程學(xué)報(bào);2015年12期

7 馮博;李輝;鄭海起;;基于經(jīng)驗(yàn)小波變換的軸承故障診斷研究[J];軸承;2015年12期

8 雷亞國(guó);賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法[J];機(jī)械工程學(xué)報(bào);2015年21期

9 張淑清;包紅燕;李盼;李新新;姜萬(wàn)錄;;基于RQA與GG聚類(lèi)的滾動(dòng)軸承故障識(shí)別[J];中國(guó)機(jī)械工程;2015年10期

10 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗(yàn)小波變換的機(jī)械故障診斷方法研究[J];儀器儀表學(xué)報(bào);2014年11期

相關(guān)博士學(xué)位論文 前2條

1 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

2 王微;融合全局和局部信息的度量學(xué)習(xí)方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

本文編號(hào)：2812172