發(fā)布時間：2017-10-05 22:01

  本文關(guān)鍵詞：基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷方法研究

  更多相關(guān)文章： 小波包分解與重構(gòu) 隱馬爾可夫模型 故障診斷 ADAMS仿真

【摘要】：隨著現(xiàn)代高新技術(shù)的飛速發(fā)展,現(xiàn)代化工業(yè)進程也日趨完善,在現(xiàn)代化工廠中對機械設(shè)備的要求也越來越高。但是隨著機械設(shè)備的運轉(zhuǎn)、磨損,機械設(shè)備故障的出現(xiàn)也就在所難免了,而滾動軸承又是機械設(shè)備中應(yīng)用最廣泛的零部件之一,所以滾動軸承運轉(zhuǎn)狀態(tài)優(yōu)劣如何直接影響到整個機械設(shè)備的性能。針對傳統(tǒng)的模式識別方法(如神經(jīng)網(wǎng)絡(luò)識別法)一直停留在靜態(tài)模式識別上的不足,本文提出懫用一種具有統(tǒng)計規(guī)律的動態(tài)模式識別技術(shù)-隱馬爾科夫模型來對滾動軸承進行故障診斷。本文以Rexnord ER10k型號滾動軸承作為研究對象,把滾動軸承模式識別作為研究目的,提出了基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷的方法研究,對滾動軸承各故障模式不同尺寸分別做了故障仿真研究和實驗研究。其主要內(nèi)容如下:基于小波包分解與重構(gòu)的信號特征提取研究。通過實驗采集的數(shù)據(jù),由于機械運轉(zhuǎn)或者外界環(huán)境的因素,無可避免的給實驗數(shù)據(jù)帶來一些噪聲信號。然而滾動軸承相關(guān)零部件振動信號有著不同的頻域能量,所以將滾動軸承故障信號經(jīng)過小波包分解與重構(gòu)后,得到全部的小波包分解系數(shù)。然后分別重構(gòu)各分解后的小波包系數(shù),再根據(jù)不同故障模式的滾動軸承振動信號在頻域能量分布中的差異性,對重構(gòu)后的小波系數(shù)提取特征向量。最后把經(jīng)過小波包分解與重構(gòu)后故障信號的特征向量進行歸一化處理,采用這種方法既提高了信號的分辨率,也起到了很好的消噪作用。基于ADAMS滾動軸承單體故障建模與仿真研究。在Solidworks軟件中建立以Rexnord ER10為對象的滾動軸承模型,通過模擬仿真,設(shè)定與實驗相關(guān)參數(shù),獲得理想狀態(tài)下的滾動軸承單體故障信號。將仿真獲得的滾動軸承單體故障信號和實驗數(shù)據(jù)作為輸入樣本建立各故障模式的高斯混合隱馬爾科夫模型(GMM-HMM),采用實驗數(shù)據(jù)與仿真數(shù)據(jù)作為高斯混合隱馬爾科夫模型的輸入樣本還能很好的適應(yīng)于后階段對滾動軸承各故障模式不同損傷程度的判別提供很好的依據(jù)。高斯混合隱馬爾科夫模型在故障診斷中的應(yīng)用。由于隱馬爾科夫模型最先應(yīng)用于語音識別領(lǐng)域,在滾動軸承故障診斷中鮮有考慮,本文針對滾動軸承故障診斷特性分析,討論了隱馬爾科夫模型在滾動軸承故障診斷應(yīng)用中的可行性,并且對隱馬爾科夫模型幾種不同類型應(yīng)用方法進行了探討,其探討結(jié)果認為高斯混合隱馬爾科夫模型對滾動軸承故障診斷的應(yīng)用比其他幾種類型的方法更有優(yōu)勢。基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷建模與實驗驗證。滾動軸承故障信號通過小波包分解與重構(gòu)后獲得能量特征信號利用信號各頻段的能量組成的特征矢量作為GMM-HMM模型樣本輸入,對GMM-HMM模型進行訓(xùn)練,獲得滾動軸承各故障模式不同故障尺寸的高斯混合隱馬爾科夫模型。最后利用實驗數(shù)據(jù)和仿真數(shù)據(jù)對已經(jīng)建立起來的GMM-HMM模型進行測試,通過計算當(dāng)前的狀態(tài)監(jiān)測數(shù)據(jù)在GMM-HMM模型庫出現(xiàn)的概率,并且根據(jù)出現(xiàn)的最大概率來評估其所處的故障模式。該研究發(fā)現(xiàn)經(jīng)過小波包分解與重構(gòu)后的滾動軸承故障信號,能很好的應(yīng)用于隱馬爾科夫模型,獲得較高的識別率,并且建立隱馬爾科夫模型所需要的樣本數(shù)量少,計算并不復(fù)雜,所以基于小波包分解與重構(gòu)和隱馬爾科夫模型的方法能很好的應(yīng)用到滾動軸承故障診斷研究中。
【關(guān)鍵詞】：小波包分解與重構(gòu) 隱馬爾可夫模型 故障診斷 ADAMS仿真
【學(xué)位授予單位】：湖南科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 緒論11-21
• 1.1 課題來源11
• 1.2 研究背景和意義11-13
• 1.3 機械設(shè)備故障診斷技術(shù)的研究進展13-15
• 1.4 滾動軸承故障診斷技術(shù)的國內(nèi)外研究現(xiàn)狀15-18
• 1.5 本文研究的主要內(nèi)容18-19
• 1.6 本章小結(jié)19-21
• 第二章 滾動軸承單體故障動力學(xué)仿真研究21-29
• 2.1 ADAMS軟件簡介21-22
• 2.2 滾動軸承模型的建立與單體故障動力學(xué)仿真22-28
• 2.2.1 正常滾動軸承動力學(xué)仿真22-24
• 2.2.2 滾動軸承外圈故障動力學(xué)仿真24-25
• 2.2.3 滾動軸承內(nèi)圈故障動力學(xué)仿真25-26
• 2.2.4 滾動軸承滾子故障動力學(xué)仿真26-28
• 2.3 本章小結(jié)28-29
• 第三章 滾動軸承故障診斷特征提取方法29-43
• 3.1 傅里葉變換與小波分析29-30
• 3.2 小波包分解與重構(gòu)30-35
• 3.2.1 小波包的概念30-31
• 3.2.2 小波包函數(shù)的傅里葉變換31-32
• 3.2.3 小波空間的小波包分解32
• 3.2.4 多分辨分析法32-34
• 3.2.5 小波一維Mallat算法34-35
• 3.3 實驗系統(tǒng)與故障特征提取35-42
• 3.4 本章小結(jié)42-43
• 第四章 高斯混合隱馬爾科夫模型的基本理論及其應(yīng)用43-57
• 4.1 隱馬爾科夫模型基本概念43-45
• 4.2 隱馬爾科夫模型定義45-46
• 4.3 隱馬爾科夫模型基本算法46-52
• 4.3.1 前向后向算法47-49
• 4.3.2 維特比算法49-50
• 4.3.3 保姆韋爾奇算法50-52
• 4.4 高斯混合隱馬爾科夫模型簡介52-56
• 4.4.1 高斯混合隱馬爾科夫模型的參數(shù)重估算法52-54
• 4.4.2 基于高斯混合隱馬爾科夫模型的故障診斷方法54-56
• 4.5 本章小結(jié)56-57
• 第五章 GMM-HMM在滾動軸承故障診斷中的應(yīng)用57-71
• 5.1 滾動軸承故障數(shù)據(jù)樣本介紹與故障特征提取57
• 5.2 GMM-HMM模型庫建立與參數(shù)訓(xùn)練57-64
• 5.3 高斯混合隱馬爾科夫模型的測試與驗證64-68
• 5.4 GMM-HMM和神經(jīng)網(wǎng)絡(luò)診斷方法的對比分析68-70
• 5.5 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 全文總結(jié)71-72
• 6.2 研究展望72-73
• 參考文獻73-79
• 致謝79-81
• 附錄 攻讀學(xué)位期間參研項目和發(fā)表論文81

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 王國鋒,王子良,秦旭達,王太勇;基于小波包和徑向基神經(jīng)網(wǎng)絡(luò)軸承故障診斷[J];北京科技大學(xué)學(xué)報;2004年02期

2 王國棟;張建宇;高立新;胥永剛;張雪松;;小波包神經(jīng)網(wǎng)絡(luò)在軸承故障模式識別中的應(yīng)用[J];軸承;2007年01期

3 郝旺身;韓捷;董辛e，

本文編號：979045