【摘要】：轉(zhuǎn)子系統(tǒng)和軸承是旋轉(zhuǎn)機械中的關鍵零部件,其長期處于高速、滿負荷運行極易出現(xiàn)故障。基于振動信號處理的診斷方法具有可在線、實時診斷的特點,針對頻譜分析對非線性振動信號故障特征提取的不足,研究小波包和樣本熵分析對振動信號進行特征提取,并應用灰關聯(lián)分析和BP網(wǎng)絡作為分類器進行故障識別。論文研究的主要成果如下： 1、建立旋轉(zhuǎn)機械振動試驗臺及信號采集分析與診斷軟件系統(tǒng)。 搭建振動試驗臺,模擬轉(zhuǎn)子的不平衡、不對中、動靜碰摩故障,設計以DSP為處理器的振動信號采集電路,并將采集到的故障信號傳輸?shù)介_發(fā)的上位機LabVIEW平臺。上位機軟件完成振動信號的顯示、存儲、數(shù)據(jù)查詢、小波去噪、特征參數(shù)計算、BP網(wǎng)絡故障診斷和振動趨勢預測,可用于實際振動信號的分析診斷。 2、研究改進閾值量化函數(shù)的振動信號小波去噪方法,提出小波包樣本熵振動信號特征提取方法,該特征比小波包能量特征對故障的區(qū)分度更好,并降低了特征參數(shù)維數(shù)。 傳統(tǒng)軟、硬閾值量化方法在閩值處分別存在恒定偏差和不連續(xù)的問題,引入?yún)?shù)可調(diào)的改進連續(xù)函數(shù)對閾值進行量化,經(jīng)檢驗：該方法比傳統(tǒng)軟、硬閾值去噪性能更好。研究了振動信號的小波包能量特征、樣本熵特征參數(shù)提取,結合小波包分析,提出小波包樣本熵特征提取方法,首先對振動信號進行小波包分解,再計算重構信號中能量較大的前3個子代信號的樣本熵作為特征參數(shù),實驗結果表明：該參數(shù)可作為故障診斷特征參數(shù),比采用小波包能量特征對故障的區(qū)分度更好。 3、研究灰色關聯(lián)分析和BP網(wǎng)絡的機械故障診斷,提出小波包樣本熵BP網(wǎng)絡故障診斷方法,對軸承內(nèi)圈故障和滾動體故障識別效果比小波包能量BP網(wǎng)絡診斷方法更好。 根據(jù)故障振動信號的小波包能量特征向量,將灰色關聯(lián)度分析對軸承正常、內(nèi)圈故障、外圈故障、滾動體故障4種狀態(tài)進行識別,在小樣本下識別效果較好。結合小波包分析,提取軸承小波包樣本熵特征,采用BP網(wǎng)絡作為分類器進行識別,結果表明：該方法有利于對內(nèi)圈故障和滾動體故障的識別,對滾動體故障的識別率比小波包能量BP網(wǎng)絡診斷方法提高了6個百分點。 4、研究GM(1,1)模型和新陳代謝灰色模型預測方法在振動狀態(tài)趨勢預測中的應用,新陳代謝模型比GM(1,1)模型對振動趨勢的預測精度更高。 采用灰色GM(1,1)模型對振動故障中上升、隨機波動、綜合增長三種變化趨勢進行仿真預測實現(xiàn)。針對傳統(tǒng)GM(1,1)模型建模數(shù)據(jù)固定的缺點,將原始模型進行改進,加入預測的新信息,去掉舊信息,模型參數(shù)在線修改的新陳代謝預測模型進行預測,經(jīng)仿真檢驗證明：對上升趨勢的15步預測平均相對誤差為1.33%,小于GM(1,1)模型方法的5.93%；綜合增長趨勢的10步預測平均相對誤差為3.674%,小于GM(1,1)模型方法的5.17%。最后建立了軸承故障預測特征信息RMS的BP網(wǎng)絡預測模型,實驗結果表明：RMS可作為軸承故障預測特征信息,并能提前預測出軸承故障,具有較高的預測精度。
[Abstract]:......
【學位授予單位】：西南石油大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3

【參考文獻】

相關期刊論文 前10條

1 王冬云;張文志;張建剛;;小波包能量譜在滾動軸承故障診斷中的應用[J];軸承;2010年11期

2 宋光雄;陳松平;宋君輝;張亞飛;;汽輪發(fā)電機組轉(zhuǎn)子裂紋故障研究及分析[J];動力工程學報;2012年04期

3 馬碩;焦現(xiàn)煒;田柯文;呂世樂;趙陽;鄭善軍;;故障預測技術發(fā)展與分類[J];四川兵工學報;2013年02期

4 姚云峰;馮玉光;于磊;姜宇;;基于灰色理論的電子系統(tǒng)狀態(tài)預測方法[J];火力與指揮控制;2012年05期

5 鄧蕾;李鋒;姚金寶;;基于流形學習和隱Markov模型的故障診斷[J];計算機集成制造系統(tǒng);2010年10期

6 馬良荔;李剛;陶道強;;基于灰色GM(1,1)模型的故障預測方法[J];計算機應用與軟件;2013年04期

7 王亮;呂衛(wèi)民;滕克難;李佳哲;;基于數(shù)據(jù)驅(qū)動的裝備故障預測技術研究[J];計算機測量與控制;2013年08期

8 周劍波;魯峰;黃金泉;;基于灰色關聯(lián)分析的航空發(fā)動機氣路部件故障診斷[J];推進技術;2011年01期

9 費成巍;白廣忱;李曉穎;;基于過程功率譜熵SVM的轉(zhuǎn)子振動故障診斷方法[J];推進技術;2012年02期

10 孫銀銀;劉振祥;胡歙眉;洪宇;;基于改進的MGM(1,n)模型的旋轉(zhuǎn)機械故障預測方法研究[J];汽輪機技術;2012年05期

，

本文編號：2404537