本文關鍵詞：基于多重分形檢測的故障識別方法研究

  更多相關文章： 機械故障診斷 盒子法多重分形 去趨勢波多重分形 核模糊 C 均值聚類

【摘要】：隨著現代工業(yè)地迅速發(fā)展，機械設備結構日益復雜化、自動化，設備的狀態(tài)檢測和故障診斷問題越來越受到關注和重視。本論文針對機械故障振動信號非平穩(wěn)性、非線性等復雜特征，提出了基于分形理論的故障定量分析方法，最后針對機械故障模式復雜難以識別的特點，給出一種基于C均值的核模糊聚類識別方法，，然后將上述理論研究應用在斜盤式軸向液壓泵和滾動軸承的故障檢測中，并給出結果。 首先介紹了機械設備故障診斷歷程及方法，闡述了傳統(tǒng)的振動信號分析方法，包括傅立葉變換、階比分析方法、神經網絡、模糊和分形方法。介紹了分形理論的應用及其在機械故障診斷中的優(yōu)勢。 之后著重介紹了盒子法多重分形和去趨勢波多重分形分析方法，建立多重分形模型，并用仿真信號對兩種方法進行檢驗和研究，總結離散數據的多重分形譜的主要參數——奇異標度指數α及奇異譜函數f(α)表征意義。 本文利用這兩種方法分別對不同條件下采集的液壓泵數據和滾動軸承數據進行分析，分析結果表明，對液壓泵數據來說去趨勢波多重分析方法能有效識別出較低采樣頻率下的故障信號，盒子法多重分形則沒有采樣條件的限制。兩者都可以有效識別出滾動軸承故障數據。 最后基于兩種方法提取故障特征，利用核模糊C均值聚類方法有效識別故障及其故障程度。
【關鍵詞】：機械故障診斷 盒子法多重分形 去趨勢波多重分形 核模糊 C 均值聚類
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-14
• 1.1 課題背景10
• 1.2 機械故障診斷方法概述10-12
• 1.2.1 傅立葉變換10-11
• 1.2.2 階比分析法11
• 1.2.3 神經網絡識別方法11
• 1.2.4 模糊識別方法11-12
• 1.3 分形理論的應用及在故障診斷中的優(yōu)勢12-13
• 1.3.1 分形理論的應用12-13
• 1.3.2 分形學在故障診斷中的優(yōu)勢13
• 1.4 本文主要研究內容13-14
• 第2章 分形與多重分形14-32
• 2.1 分形原理概述14-16
• 2.1.1 分形定義14
• 2.1.2 分形理論的意義14-15
• 2.1.3 分形維數及其計算方法15-16
• 2.2 多重分形16-20
• 2.2.1 多重分形模型17
• 2.2.2 多重分形計算方法17-18
• 2.2.3 盒子法多重分形算法及流程圖18-20
• 2.3 仿真信號進行盒子法多重分析20-25
• 2.3.1 盒子法多重分形維數計算20-22
• 2.3.2 盒子法多重分形維數與采樣長度的關系22-24
• 2.3.3 盒子法多重分形維數與采樣頻率的關系24-25
• 2.3.4 盒子法多重分形維數與噪聲的關系25
• 2.4 信號去噪預處理25-26
• 2.4.1 小波模極大值去噪25-26
• 2.4.2 仿真驗證26
• 2.5 去趨勢波多重分形26-30
• 2.5.1 MF-DFA 計算過程及流程圖27-28
• 2.5.2 仿真信號 MF-DFA 計算28-30
• 2.6 多重分形評判指標30-31
• 2.7 本章小結31-32
• 第3章 基于盒子法多重分形原理的故障數據分析32-53
• 3.1 基于多重分形原理的液壓泵故障數據分析32-46
• 3.1.1 液壓泵試驗數據來源32-33
• 3.1.2 柱塞泵實驗數據多重分形譜分析33-46
• 3.2 軸承故障多重分形分析46-52
• 3.2.1 軸承故障數據來源46-47
• 3.2.2 軸承內圈故障數據分析47-48
• 3.2.3 軸承外圈故障數據分析48-50
• 3.2.4 軸承滾動體故障數據分析50-51
• 3.2.5 軸承內圈、外圈、滾動體故障信號分析51-52
• 3.3 本章小結52-53
• 第4章 基于 MF-DFA 方法故障數據分析53-73
• 4.1 柱塞泵故障振動信號 MF-DFA 分析53-66
• 4.1.1 柱塞泵單柱塞松靴故障數據分析54-59
• 4.1.2 柱塞泵單柱塞滑靴磨損數據分析59-64
• 4.1.3 柱塞泵單柱塞松靴、滑靴故障信號分析64-66
• 4.2 軸承故障振動信號 MF-DFA 分析66-72
• 4.2.1 軸承內圈故障數據分析66-68
• 4.2.2 軸承外圈故障數據分析68-69
• 4.2.3 軸承滾動體故障數據分析69-71
• 4.2.4 軸承內圈、滾動體、外圈故障信號分析71-72
• 4.3 本章小結72-73
• 第5章 故障特征提取與識別73-83
• 5.1 故障特征提取73-77
• 5.1.1 盒子法多重分形方法故障特征提取73
• 5.1.2 MF-DFA 多重分形方法故障特征提取73
• 5.1.3 液壓泵故障特征提取73-75
• 5.1.4 滾動軸承故障特征提取75-77
• 5.2 故障特征識別77-82
• 5.2.1 核模糊 C 均值聚類算法77-78
• 5.2.2 基于核模糊 C 均值聚類的軸向柱塞泵振動信號的故障識別78-80
• 5.2.3 基于核模糊 C 均值聚類軸承振動信號的故障識別80-82
• 5.3 本章小結82-83
• 結論83-84
• 參考文獻84-87
• 攻讀碩士學位期間承擔的科研任務與主要成果87-88
• 致謝88-89
• 作者簡介89

【參考文獻】

中國期刊全文數據庫 前10條

1 趙曉平;張令彌;郭勤濤;;旋轉機械階比跟蹤技術研究進展綜述[J];地震工程與工程振動;2008年06期

2 于功志;關德林;段樹林;李國賓;;基于多重分形的齒輪故障特征提取方法[J];大連海事大學學報;2009年01期

3 張朝暉,黃惟一;振動波形的分形判別及特征提取[J];東南大學學報;1999年04期

4 楊學鋒,王吉華;全息胚學說與現代分形理論的比較研究[J];德州師專學報;1996年04期

5 郭瑜,秦樹人,梁玉前;時頻分析階比跟蹤技術[J];重慶大學學報(自然科學版);2002年05期

6 王世明;;工程機械液壓系統(tǒng)故障監(jiān)測診斷技術的現狀和發(fā)展趨勢[J];機床與液壓;2009年02期

7 普運偉;金煒東;朱明;胡來招;;核模糊C均值算法的聚類有效性研究[J];計算機科學;2007年02期

8 孔平;嚴廣樂;孫繼佳;;基于多重分形的肝臟邊緣粗糙度分析[J];計算機應用研究;2011年06期

9 彭志科,何永勇,盧青,褚福磊;小波多重分形及其在振動信號分析中應用的研究[J];機械工程學報;2002年08期

10 師黎;王希萍;;DNA優(yōu)化的神經網絡在故障診斷中的應用[J];微計算機信息;2009年10期

中國博士學位論文全文數據庫 前2條

1 曲福恒;一類模糊聚類算法研究及其應用[D];吉林大學;2009年

2 苑寶;多重分形理論及其在中國股票市場中的應用研究[D];東北大學;2007年

本文編號：1057774