發(fā)布時間：2020-04-22 00:02

【摘要】：旋轉(zhuǎn)機械是應(yīng)用最為廣泛的機械設(shè)備之一,對于轉(zhuǎn)速較高的旋轉(zhuǎn)機械,其零、部件一旦發(fā)生故障,整個生產(chǎn)過程會無法正常進行,甚至發(fā)生災(zāi)難性事故,因此對旋轉(zhuǎn)機械故障診斷的研究具有一定的學(xué)術(shù)意義和社會經(jīng)濟意義。旋轉(zhuǎn)機械故障診斷包括信號的采集、特征的提取、故障狀態(tài)診斷和故障狀態(tài)分析四個環(huán)節(jié)。本論文首先對多路傳感器獲取的信號進行降噪,然后對獲得的混合信號進行分離,提取特征信息,最后應(yīng)用信息融合技術(shù)進行旋轉(zhuǎn)機械的故障診斷和分析。 本論文對旋轉(zhuǎn)機械故障診斷主要進行了以下方面的研究： 1)確定了適合旋轉(zhuǎn)機械故障診斷相適應(yīng)的解決方案和不確定性推理方法。由于旋轉(zhuǎn)機械存在著本身特性、檢測手段、工作環(huán)境和信號采集過程的不確定性,知識的不確定性和結(jié)論的不確定性,所以在旋轉(zhuǎn)機械故障診斷過程中,存在著許多不可預(yù)測因素,根據(jù)旋轉(zhuǎn)機械不確定性的處理原則,確定了適合旋轉(zhuǎn)機械故障診斷相適應(yīng)的解決方案和不確定性推理方法。 2)通過對旋轉(zhuǎn)機械非平穩(wěn)振動信號的降噪方法的研究,提出了一種新的小波閾值濾波降噪算法。該部分詳細(xì)研究了新閾值降噪的特性,將其結(jié)果與軟閾值和硬閾值降噪方法進行了對比,驗證了新的小波閾值濾波降噪算法具有信噪比高,均方根誤差小的良好降噪效果。 3)通過對混合信號分離方法的研究,提出了基于EMD和FastICA閾值分離算法。對多路傳感器獲得的旋轉(zhuǎn)機械振動的混合信號難以提取其特征信息的問題,用基于EMD和FastICA閾值分離的算法,解決了僅用FastICA算法分離混合信號時,存在觀測信號的數(shù)目少于源信號的數(shù)目而導(dǎo)致信號分離效果極差的問題。基于EMD和FastICA分離算法得到分離信號后再進行閾值降噪,有效的提取了旋轉(zhuǎn)機械振動信號的故障特征。EMD分解法將信號分解為若干個imf分量,再對每個imf分量進行Hilbert變換得到瞬時頻率和瞬時幅值,得到信號的Hilbert譜,表示了信號完整的時間-頻率分布。利用EMD分解的imf分量對信號數(shù)目進行調(diào)整,提高了FastICA分離性能,有效地保證了旋轉(zhuǎn)機械設(shè)備故障特征信息的提取。 4)對BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率低,收斂速度較慢,并且容易在局部極小值處收斂的問題,提出了基于FastICA遺傳神經(jīng)網(wǎng)絡(luò)算法。該算法首先應(yīng)用FastICA算法對帶噪的旋轉(zhuǎn)機械混合信號進行估計,得到了源信號完全分離的多個獨立分量估計,其次用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,得到優(yōu)化的BP神經(jīng)網(wǎng)絡(luò),最后將源信號經(jīng)過FastICA算法得到的多個獨立分量估計的歸一化能量作為遺傳神經(jīng)網(wǎng)絡(luò)的輸入,應(yīng)用到遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測中,進行旋轉(zhuǎn)機械故障的模式識別。該方法保證了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的全局收斂性,提高了故障識別能力和精度。 5)針對多傳感器信息在故障診斷中可能存在偽證據(jù),造成證據(jù)間劇烈沖突使經(jīng)典證據(jù)理論合成規(guī)則失效的問題,提出了一種基于偽證據(jù)識別的D-S組合規(guī)則。首先,利用D-S合成規(guī)則中一致證據(jù)的聚焦性,進行偽證據(jù)識別,并將被識別的偽證據(jù)抽取；其次,將偽證據(jù)與矛盾證據(jù)重新構(gòu)造新的證據(jù)作為替代證據(jù)；最后,將替代證據(jù)取代被識別偽證據(jù),進行D-S證據(jù)合成,削弱了偽證據(jù)的不良影響。利用該組合規(guī)則對發(fā)動機故障進行了診斷,并將診斷結(jié)果與其它D-S合成規(guī)則診斷結(jié)果進行比較,驗證了該規(guī)則的有效性和優(yōu)越性。
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2012
【分類號】：TH165.3

【參考文獻】

相關(guān)期刊論文 前10條

1 蔣洪明,張慶;多分辨力傳感器信息融合中的故障檢測與恢復(fù)[J];傳感技術(shù)學(xué)報;1995年02期

2 錢徽;一種機器人多傳感器聯(lián)合系統(tǒng)的邏輯和代數(shù)分析方法[J];傳感技術(shù)學(xué)報;2005年03期

3 芮執(zhí)元;徐龍云;李貴明;;基于倒頻譜理論的滾動軸承故障檢測[J];軸承;2007年01期

4 陳文戈;趙學(xué)智;;軸承故障的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)分類[J];軸承;2009年03期

5 杜藝;龔循平;林祥國;;基于IHS的高通濾波法影像融合研究[J];測繪與空間地理信息;2010年05期

6 張雄希;劉振興;;共振解調(diào)與小波降噪在電機故障診斷中的應(yīng)用[J];電機與控制學(xué)報;2010年06期

7 顧雪平，盛四清，張文勤，高曙，，楊以涵;電力系統(tǒng)故障診斷神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的一種實現(xiàn)方式[J];電力系統(tǒng)自動化;1995年09期

8 孫全,葉秀清,顧偉康;一種新的基于證據(jù)理論的合成公式[J];電子學(xué)報;2000年08期

9 張磊,潘泉,張洪才,戴冠中;小波域濾波閾值參數(shù)c的選取[J];電子學(xué)報;2001年03期

10 李劍峰,樂光新,尚勇;基于改進型D—S證據(jù)理論的決策層融合濾波算法[J];電子學(xué)報;2004年07期

相關(guān)博士學(xué)位論文 前10條

1 單佩韋;時頻分析系統(tǒng)及其應(yīng)用[D];華東師范大學(xué);2011年

2 吳文杰;基于信息融合的航空發(fā)動機故障診斷方法[D];電子科技大學(xué);2011年

3 衡彤;小波分析及其應(yīng)用研究[D];四川大學(xué);2003年

4 胡勁松;面向旋轉(zhuǎn)機械故障診斷的經(jīng)驗?zāi)B(tài)分解時頻分析方法及實驗研究[D];浙江大學(xué);2003年

5 郭健;基于小波分析的結(jié)構(gòu)損傷識別方法研究[D];浙江大學(xué);2004年

6 楊宇;基于EMD和支持向量機的旋轉(zhuǎn)機械故障診斷方法研究[D];湖南大學(xué);2005年

7 伍奎;汽輪發(fā)電機組在線監(jiān)測診斷的網(wǎng)絡(luò)化、智能化研究[D];重慶大學(xué);2005年

8 張育智;基于神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)融合的結(jié)構(gòu)損傷識別理論研究[D];西南交通大學(xué);2007年

9 李翔;基于小波分析的測量信號處理技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

10 竇唯;旋轉(zhuǎn)機械振動故障診斷的圖形識別方法研究[D];哈爾濱工業(yè)大學(xué);2009年

本文編號：2635891