本文關(guān)鍵詞：基于形態(tài)學(xué)分形的往復(fù)式壓縮機氣閥故障診斷方法

  更多相關(guān)文章： 局部均值分解 自適應(yīng)分解 熵 形態(tài)學(xué) 分形維數(shù)

【摘要】：往復(fù)式壓縮機由于其振源眾多、結(jié)構(gòu)繁雜,導(dǎo)致氣閥振動信號不僅具有時頻特性,更包含有一定分形特征。本論文針對氣閥振動信號的分形特性,采用自適應(yīng)波形分解與形態(tài)學(xué)分形相結(jié)合的方法,開展了氣閥故障診斷方法研究,主要工作如下：1、開展了基于經(jīng)驗?zāi)B(tài)分解(EMD)、局部均值分解(LMD)及自適應(yīng)波形分解(AWD)等時頻域分解算法的氣閥故障診斷方法研究,實現(xiàn)氣閥典型故障特征的提取,并對比分析了幾種方法的降噪效果。結(jié)果表明,AWD算法降噪效果優(yōu)于EMD、LMD算法。2、開展了基于熵值法(排列熵、樣本熵、近似熵)與傳統(tǒng)分形維數(shù)(盒維數(shù)、關(guān)聯(lián)維數(shù))等非線性分析方法的氣閥故障診斷方法研究,實現(xiàn)了氣閥典型故障模式的識別,并對比分析了幾種非線性分析方法的識別效果。結(jié)果表明,傳統(tǒng)非線性算法只能識別氣閥正常與故障狀態(tài),無法識別幾類典型故障模式。3、開展了基于形態(tài)學(xué)分形維數(shù)與高階累積量分形維數(shù)的氣閥故障診斷方法研究,結(jié)合分段分形維數(shù)與廣義覆蓋面積等改進(jìn)方法,并分析對比了兩種算法對環(huán)境噪聲敏感性與氣閥故障模式識別效果,最終實現(xiàn)了氣閥典型故障模式的識別。
【關(guān)鍵詞】：局部均值分解 自適應(yīng)分解 熵 形態(tài)學(xué) 分形維數(shù)
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH45
【目錄】：

• 摘要4-5
• ABSTRACT5-13
• 第一章 緒論13-23
• 1.1 課題研究背景及意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-19
• 1.2.1 氣閥故障診斷的研究現(xiàn)狀及發(fā)展趨勢14-17
• 1.2.2 自適應(yīng)分解的研究現(xiàn)狀及發(fā)展趨勢17-18
• 1.2.3 熵值法的研究現(xiàn)狀及發(fā)展趨勢18-19
• 1.2.4 分形理論的研究現(xiàn)狀及發(fā)展趨勢19
• 1.3 主要內(nèi)容19-20
• 1.4 論文結(jié)構(gòu)20-23
• 第二章 基于自適應(yīng)分解的特征提取23-55
• 2.1 引言23-24
• 2.2 基于經(jīng)驗?zāi)Ｊ椒纸獾臍忾y特征提取24-32
• 2.2.1 經(jīng)驗?zāi)Ｊ椒纸夥椒ǜ攀?/span>24-25
• 2.2.2 實驗驗證與分析25-32
• 2.3 基于局部均值分解的氣閥特征提取32-39
• 2.3.1 局部均值分解方法概述32-33
• 2.3.2 實驗驗證與分析33-39
• 2.4 基于自適應(yīng)波形分解的氣閥特征提取39-53
• 2.4.1 自適應(yīng)波形分解方法概述39-44
• 2.4.2 自適應(yīng)波形分解方法改進(jìn)44-45
• 2.4.3 實驗驗證與分析45-53
• 2.5 本章小結(jié)53-55
• 第三章 基于熵值法和傳統(tǒng)分形維數(shù)的模式識別55-67
• 3.1 引言55
• 3.2 基于熵值法的氣閥模式識別55-63
• 3.2.1 近似熵基本原理55-56
• 3.2.2 樣本熵基本原理56-57
• 3.2.3 排列熵基本原理與參數(shù)優(yōu)化57-60
• 3.2.4 實驗驗證與分析60-63
• 3.3 基于傳統(tǒng)分形維數(shù)的氣閥模式識別63-66
• 3.3.1 盒維數(shù)基本原理63-64
• 3.3.2 關(guān)聯(lián)維數(shù)基本原理64
• 3.3.3 實驗驗證與分析64-66
• 3.4 本章小結(jié)66-67
• 第四章 基于改進(jìn)分形維數(shù)的模式識別67-85
• 4.1 引言67
• 4.2 基于形態(tài)學(xué)分形維數(shù)的氣閥模式識別67-76
• 4.2.1 基本原理與參數(shù)優(yōu)化67-70
• 4.2.2 廣義分段分形維數(shù)70-72
• 4.2.3 實驗驗證與分析72-76
• 4.3 基于累積量分形維數(shù)的氣閥模式識別76-83
• 4.3.1 基本原理76-77
• 4.3.2 噪聲敏感性研究77-81
• 4.3.3 實驗驗證與分析81-83
• 4.4 本章小結(jié)83-85
• 第五章 結(jié)論及展望85-87
• 5.1 總結(jié)85-86
• 5.2 展望86-87
• 參考文獻(xiàn)87-93
• 致謝93-95
• 研究成果及發(fā)表的學(xué)術(shù)論文95-97
• 作者及導(dǎo)師簡介97-98
• 北京化工大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文答辯委員會決議書98-99

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳文兵;葉福蘭;陳章斌;;倒雙譜的分形維數(shù)在故障診斷中的應(yīng)用[J];機床與液壓;2015年19期

2 桑成程;;往復(fù)式壓縮機振動數(shù)學(xué)模型分析研究[J];山東工業(yè)技術(shù);2015年10期

3 吳澤鵬;郭玲玲;朱明超;賈宏光;宣明;;結(jié)合圖像信息熵和特征點的圖像配準(zhǔn)方法[J];紅外與激光工程;2013年10期

4 張淑清;孫國秀;李亮;李新新;監(jiān)雄;;基于LMD近似熵和FCM聚類的機械故障診斷研究[J];儀器儀表學(xué)報;2013年03期

5 張超;楊立東;李建軍;;局部均值分解和經(jīng)驗?zāi)B(tài)分解的性能對比研究[J];機械設(shè)計與研究;2012年03期

6 王衍學(xué);何正嘉;訾艷陽;袁靜;;基于LMD的時頻分析方法及其機械故障診斷應(yīng)用研究[J];振動與沖擊;2012年09期

7 王雷;趙俊龍;王奉濤;馬孝江;;Fault diagnosis of reciprocating compressor cylinder based on EMD coherence method[J];Journal of Harbin Institute of Technology;2012年01期

8 趙楠;;東北地區(qū)中心城市旅游發(fā)展綜合水平評價[J];商業(yè)時代;2011年13期

9 許潔;胡壽松;;基于KPCA和MKL-SVM的非線性過程監(jiān)控與故障診斷[J];儀器儀表學(xué)報;2010年11期

10 陳峰;紀(jì)琳;林振宇;蔣云飛;曹玉偉;;大型往復(fù)式壓縮機的狀態(tài)監(jiān)測與診斷[J];管道技術(shù)與設(shè)備;2010年04期

，

本文編號：958498