本文關(guān)鍵詞：基于LMD和HSMM的旋轉(zhuǎn)機(jī)械故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著科學(xué)技術(shù)的不斷提高,旋轉(zhuǎn)機(jī)械工作強(qiáng)度不斷增大,為保證設(shè)備系統(tǒng)能夠安全、可靠、高效地運(yùn)行,避免造成巨大的經(jīng)濟(jì)損失和重大事故的發(fā)生,以旋轉(zhuǎn)機(jī)械為研究對象,進(jìn)行狀態(tài)監(jiān)測和故障診斷研究,具有非常重要而現(xiàn)實(shí)的意義。針對傳統(tǒng)的時(shí)頻分析方法(如短時(shí)傅立葉變換、小波與小波包變換)存在時(shí)間和頻率的分辨率互相牽制、信號分解缺乏自適應(yīng)性的不足,和傳統(tǒng)的模式識別方法(如人工神經(jīng)網(wǎng)絡(luò))局限于靜態(tài)模式識別上的問題,本文引入最新的時(shí)頻分析方法局部均值分解(Local Mean Decomposition, LMD)和發(fā)展較快的動(dòng)態(tài)模式識別方法隱半馬爾科夫模型(Hidden Semi-Markov Model, HSMM)。LMD能夠基于信號本身,自適應(yīng)地將一個(gè)多分量信號分解成一系列單分量的乘積函數(shù)(Product Function, PF)之和,每個(gè)乘積函數(shù)由一個(gè)純調(diào)頻函數(shù)和一個(gè)包絡(luò)函數(shù)相乘而得,將所有乘積函數(shù)的瞬時(shí)頻率和幅值相組合,便能夠完整地呈現(xiàn)出原始信號的時(shí)頻分布。HSMM基于時(shí)間跨度上的動(dòng)態(tài)信息進(jìn)行建模分類,非常適用于分析一些信息量較大、非平穩(wěn)、特征重復(fù)再現(xiàn)性較差的信號,且具有訓(xùn)練樣本少、訓(xùn)練速度快、分類識別能力強(qiáng)的特點(diǎn)。因此,本文利用LMD和HSMM相結(jié)合的方法對旋轉(zhuǎn)機(jī)械進(jìn)行狀態(tài)監(jiān)測與故障診斷。首先,本文論述了旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的發(fā)展概況,介紹了LMD方法相關(guān)概念、基本理論和算法,并將其與EMD (Empirical Mode Decomposition, EMD)方法進(jìn)行對比,通過仿真分析驗(yàn)證了LMD處理非平穩(wěn)信號的優(yōu)越性。在此基礎(chǔ)上,提出了一種基于小波包降噪與LMD分解相結(jié)合的特征提取方法,先采用小波包降低噪聲的影響,再進(jìn)行LMD分解,并對分解得到的PF分量進(jìn)行相關(guān)性分析,選取有效PF分量進(jìn)行時(shí)、頻域特征參數(shù)提取。通過仿真分析和對實(shí)際信號的處理,驗(yàn)證了該方法的有效性。然后,本文研究了基于HSMM的機(jī)械設(shè)備狀態(tài)監(jiān)測與故障診斷方法,并針對基本算法中存在的部分問題進(jìn)行了改進(jìn)。提出了基于LMD和HSMM相結(jié)合的旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測與故障診斷方法,并將其成功應(yīng)用于滾動(dòng)軸承故障診斷中。實(shí)驗(yàn)結(jié)果表明,HSMM模型訓(xùn)練速度快,識別精度高,利用LMD和HSMM相結(jié)合的方法能夠有效地識別出滾動(dòng)軸承的運(yùn)行狀態(tài),且能夠保證故障診斷的實(shí)時(shí)性和準(zhǔn)確性。最后,本文進(jìn)一步采用LMD和HSMM相結(jié)合的方法對機(jī)械密封端面膜厚狀態(tài)進(jìn)行模式識別,識別效果較為理想,驗(yàn)證了該方法應(yīng)用于旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測與故障診斷的有效性和適用性。為了驗(yàn)證HSMM模型用于狀態(tài)監(jiān)測與故障診斷的優(yōu)勢,本文又利用同樣的信號特征,將HSMM模型和應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)的識別效果進(jìn)行了對比分析,分析結(jié)果表明,HSMM訓(xùn)練速度比BP神經(jīng)網(wǎng)絡(luò)更快,且識別精度更高,將HSMM應(yīng)用于旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測與故障診斷中更具優(yōu)勢,具有更廣泛的應(yīng)用前景。
【關(guān)鍵詞】：旋轉(zhuǎn)機(jī)械 狀態(tài)監(jiān)測 故障診斷 小波包降噪 LMD HSMM
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH17
【目錄】：

• 摘要6-7
• Abstract7-12
• 第1章 緒論12-22
• 1.1 課題研究的背景和意義12
• 1.2 旋轉(zhuǎn)機(jī)械故障診斷技術(shù)概況12-19
• 1.2.1 旋轉(zhuǎn)機(jī)械故障診斷的實(shí)現(xiàn)12-13
• 1.2.2 旋轉(zhuǎn)機(jī)械故障診斷方法13-15
• 1.2.3 特征提取分析15-18
• 1.2.4 模式識別分析18-19
• 1.3 國內(nèi)外研究現(xiàn)狀19-21
• 1.4 主要研究內(nèi)容及總體結(jié)構(gòu)21-22
• 1.4.1 主要研究內(nèi)容21
• 1.4.2 具體內(nèi)容安排21-22
• 第2章 LMD的基本理論與算法22-36
• 2.1 LMD相關(guān)基本概念22-26
• 2.1.1 信號的頻率和瞬時(shí)頻率22-23
• 2.1.2 單分量信號和多分量信號23-24
• 2.1.3 調(diào)幅信號和調(diào)頻信號24-26
• 2.2 LMD分解原理和算法26-30
• 2.2.1 局部均值函數(shù)和包絡(luò)估計(jì)函數(shù)26-27
• 2.2.2 LMD分解具體算法27-30
• 2.3 LMD與EMD方法比較30-35
• 2.3.1 EMD方法簡介30-31
• 2.3.2 LMD和EMD理論對比31-32
• 2.3.3 仿真信號分析32-35
• 2.4 本章小結(jié)35-36
• 第3章 基于小波包降噪與LMD分解的信號特征提取36-49
• 3.1 信號零均值化36-37
• 3.2 小波包降噪37-42
• 3.2.1 小波分析基本原理37-39
• 3.2.2 小波包分析基本原理39-40
• 3.2.3 小波包降噪過程及性能分析40-42
• 3.3 小波包降噪與LMD分解相結(jié)合的分析方法42-44
• 3.3.1 噪聲對LMD分解性能的影響42-43
• 3.3.2 小波包降噪與LMD分解相結(jié)合性能分析43-44
• 3.4 基于小波包降噪與LMD分解的特征參數(shù)提取44-48
• 3.4.1 實(shí)際信號小波包降噪及LMD分解44-45
• 3.4.2 偽PF分量的判定與剔除45-46
• 3.4.3 特征參數(shù)提取46-48
• 3.5 本章小結(jié)48-49
• 第4章 HSMM基本理論及其在狀態(tài)識別中的應(yīng)用49-64
• 4.1 HSMM理論基礎(chǔ)49-53
• 4.1.1 MARKOV模型49-50
• 4.1.2 隱MARKOV模型50-53
• 4.2 HSMM基本理論與算法53-59
• 4.2.1 HSMM的定義53-55
• 4.2.2 HSMM的算法55-59
• 4.3 HSMM算法實(shí)現(xiàn)中的部分問題與改進(jìn)59-62
• 4.3.1 初始模型參數(shù)的選擇59-60
• 4.3.2 多組觀測序列的訓(xùn)練60-62
• 4.4 基于HSMM的故障診斷與狀態(tài)識別方法62-63
• 4.5 本章小結(jié)63-64
• 第5章 基于LMD和HSMM的滾動(dòng)軸承故障診斷64-72
• 5.1 滾動(dòng)軸承故障診斷實(shí)驗(yàn)系統(tǒng)64-65
• 5.1.1 實(shí)驗(yàn)對象64
• 5.1.2 實(shí)驗(yàn)裝置和系統(tǒng)64-65
• 5.2 實(shí)驗(yàn)驗(yàn)證65-71
• 5.2.1 滾動(dòng)軸承振動(dòng)信號特征提取65-68
• 5.2.2 HSMM模型建立與訓(xùn)練68-70
• 5.2.3 HSMM故障診斷結(jié)果70-71
• 5.3 本章小結(jié)71-72
• 第6章 基于LMD和HSMM的機(jī)械密封狀態(tài)監(jiān)測72-80
• 6.1 機(jī)械密封狀態(tài)監(jiān)測實(shí)驗(yàn)系統(tǒng)72-73
• 6.1.1 實(shí)驗(yàn)裝置及監(jiān)測方案72-73
• 6.1.2 實(shí)驗(yàn)信號觀察與分析73
• 6.2 實(shí)驗(yàn)驗(yàn)證73-78
• 6.2.1 機(jī)械密封聲發(fā)射信號特征提取73-75
• 6.2.2 HSMM模型建立與訓(xùn)練75-76
• 6.2.3 HSMM狀態(tài)識別結(jié)果76-78
• 6.3 HSMM和神經(jīng)網(wǎng)絡(luò)方法的對比78-79
• 6.4 本章小結(jié)79-80
• 結(jié)論和展望80-82
• 致謝82-83
• 參考文獻(xiàn)83-88
• 攻讀碩士研究生期間發(fā)表的論文88

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張立眾;孫志勇;;“逐項(xiàng)排除法”在故障診斷中的應(yīng)用[J];礦山機(jī)械;1990年09期

2 賈民平;機(jī)械故障診斷學(xué)的理論及其應(yīng)用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機(jī)械制造與自動(dòng)化;1999年01期

3 楊曉磊;;淺談我國鐵路機(jī)車故障診斷[J];科技風(fēng);2014年06期

4 田少民;工程機(jī)械的狀態(tài)監(jiān)測與故障診斷技術(shù)[J];工程機(jī)械;2001年01期

5 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數(shù)據(jù)融合的故障診斷技術(shù)[J];華中科技大學(xué)學(xué)報(bào);2001年02期

6 潘松海;介紹一種故障診斷方法[J];組合機(jī)床與自動(dòng)化加工技術(shù);2001年06期

7 李德躍;發(fā)動(dòng)機(jī)突然熄火的故障診斷[J];城市車輛;2001年02期

8 王小虎;機(jī)械式風(fēng)速表檢定中的故障診斷及維修方法[J];中國計(jì)量;2002年03期

9 王清照,肖衛(wèi)杰,王加璇;運(yùn)用熱經(jīng)濟(jì)學(xué)結(jié)構(gòu)理論進(jìn)行故障診斷的探討[J];中國電機(jī)工程學(xué)報(bào);2003年09期

10 陳東林;煙草設(shè)備的故障診斷技術(shù)應(yīng)用與展望[J];中國設(shè)備工程;2003年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機(jī)故障診斷[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

3 聞競競;黃道;;故障診斷方法綜述[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

4 李t，

本文編號：332950