本文關(guān)鍵詞：基于蟻群算法與統(tǒng)計濾波的滾動軸承故障診斷方法研究

  更多相關(guān)文章： 滾動軸承 故障診斷 特征提取 模式識別 自適應(yīng)濾波

【摘要】：論文針對滾動軸承典型故障,開展了基于統(tǒng)計檢驗理論的自適應(yīng)濾波方法及基于隨機共振等非線性分析法的特征提取方法研究,同時將多種信號特征提取方法與蟻群算法結(jié)合,進行了故障模式識別方法研究。以圓柱滾子軸承為對象,應(yīng)用振動和聲發(fā)射信號,對其單一及其復(fù)合故障信號進行了分析,驗證了相關(guān)方法的有效性。具體內(nèi)容如下： (1)應(yīng)用識別因子,選擇具有高敏感性的特征參數(shù),構(gòu)成輸入向量,使用具有精英螞蟻機制的蟻群聚類算法實現(xiàn)設(shè)備狀態(tài)的有效識別。充分發(fā)揮不同方法之間的優(yōu)勢互補作用,分別采用小波包分解、經(jīng)驗?zāi)B(tài)分析法(EMD)、主成分分析(PCA)等方法提取信號特征,進行了提高蟻群算法聚類性能的研究。 (2)應(yīng)用統(tǒng)計學(xué)假設(shè)檢驗原理,提出具有自適應(yīng)性的統(tǒng)計濾波方法,用以提取信號特征。定義相似度因子并作為目標函數(shù)評價濾波性能,同時采用遺傳算法,優(yōu)化關(guān)鍵參數(shù)置信度因子自動完成最優(yōu)濾波過程。引入頻域信噪比系數(shù)評價濾波方法對噪聲的抑制能力,結(jié)果表明統(tǒng)計濾波法與高通濾波方法相比,能有效提高信號的信噪比。 (3)將統(tǒng)計濾波與非線性信號分析方法中的隨機共振、混沌振子相結(jié)合,開展微弱故障信號特征提取方法研究,使用統(tǒng)計濾波與隨機共振提取信號特征,將隨機共振輸出包絡(luò)譜中譜峰頻率作為檢測頻率,使用混沌振子進行檢測,結(jié)論表明非線性信號分析法在微弱信號特征提取方面具有優(yōu)勢。
【關(guān)鍵詞】：滾動軸承 故障診斷 特征提取 模式識別 自適應(yīng)濾波
【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】：2013
【分類號】：TH133.33;TH165.3
【目錄】：

• 學(xué)位論文數(shù)據(jù)集3-4
• 摘要4-6
• ABSTRACT6-13
• 第一章 緒論13-19
• 1.1 機械故障診斷概述13-14
• 1.2 蟻群算法研究現(xiàn)狀14-15
• 1.3 特征提取方法研究現(xiàn)狀15
• 1.4 非線性信號分析法研究現(xiàn)狀15-16
• 1.5 課題研究背景及意義16-17
• 1.6 課題來源及主要研究內(nèi)容17-19
• 第二章 基于蟻群算法的滾動軸承故障診斷方法研究19-53
• 2.1 蟻群算法19-22
• 2.2 基于蟻群算法的滾動軸承故障診斷原理22-23
• 2.3 時頻參數(shù)蟻群聚類算法應(yīng)用于軸承診斷23-31
• 2.3.1 時頻特征參數(shù)23-26
• 2.3.2 基于頻域參數(shù)的蟻群算法滾動軸承故障診斷26-31
• 2.4 小波能量參數(shù)蟻群聚類算法31-37
• 2.4.1 小波分析31-33
• 2.4.2 基于小波能量參數(shù)的蟻群算法滾動軸承故障診斷33-37
• 2.5 EMD蟻群聚類算法37-43
• 2.5.1 EMD分析37-38
• 2.5.2 基于EMD重構(gòu)頻域參數(shù)的蟻群算法滾動軸承故障診斷38-43
• 2.6 主成分分析重構(gòu)參數(shù)蟻群聚類算法43-50
• 2.6.1 主成分分析43-44
• 2.6.2 基于主成分分析重構(gòu)參數(shù)的蟻群算法滾動軸承故障診斷44-50
• 2.7 本章小結(jié)50-53
• 第三章 基于統(tǒng)計濾波的滾動軸承故障診斷方法研究53-65
• 3.1 統(tǒng)計濾波概述53-57
• 3.1.1 統(tǒng)計濾波原理介紹54-55
• 3.1.2 遺傳算法參數(shù)優(yōu)化原理55-57
• 3.2 統(tǒng)計濾波算法應(yīng)用于滾動軸承故障診斷57-64
• 3.2.1 基于振動信號的滾動軸承故障診斷應(yīng)用58-60
• 3.2.2 基于聲發(fā)射信號的滾動軸承故障診斷應(yīng)用60-64
• 3.3 本章小結(jié)64-65
• 第四章 基于統(tǒng)計濾波與蟻群算法的滾動軸承故障診斷65-73
• 4.1 統(tǒng)計濾波分析提取信號特征65-67
• 4.2 蟻群算法聚類分析識別故障類型67-71
• 4.3 本章小結(jié)71-73
• 第五章 基于非線性信號分析的滾動軸承診斷73-81
• 5.1 隨機共振原理介紹73-75
• 5.2 混沌振子原理介紹75
• 5.3 基于非線性信號分析的滾動軸承故障診斷75-79
• 5.4 本章小結(jié)79-81
• 第六章 結(jié)論及展望81-83
• 6.1 研究成果總結(jié)81
• 6.2 后續(xù)研究方向81-83
• 參考文獻83-87
• 致謝87-89
• 研究成果及發(fā)表的學(xué)術(shù)論文89-91
• 作者和導(dǎo)師簡介91-92
• 附錄92-93

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 黃姣英;袁海文;崔勇;畢晨曦;;基于EMD和自相關(guān)分析的輪胎音頻信號處理[J];電子測量與儀器學(xué)報;2009年09期

2 華麗;王成勇;谷瓊;程虹;;基于遺傳蟻群算法的測試用例集約簡[J];工程數(shù)學(xué)學(xué)報;2012年04期

3 鄭松;李春富;王春林;葛銘;薛安克;;帶有征稅算子的改進蟻群優(yōu)化方法[J];計算機工程與應(yīng)用;2011年15期

4 段海濱,王道波,朱家強,黃向華;蟻群算法理論及應(yīng)用研究的進展[J];控制與決策;2004年12期

5 錢濟國;;機械故障的時域參數(shù)診斷法[J];煤礦機械;2006年09期

6 甄子洋;王道波;王志勝;;基于蟻群優(yōu)化算法的精密伺服轉(zhuǎn)臺故障診斷方法[J];自動化學(xué)報;2009年06期

7 徐德明;;改進的遺傳混合蟻群算法在TSP問題中的應(yīng)用[J];計算機時代;2012年11期

8 李兆飛;柴毅;李華鋒;;多重分形去趨勢波動分析的振動信號故障診斷[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2012年12期

9 栗茂林;梁霖;王孫安;;基于稀疏表示的故障敏感特征提取方法[J];機械工程學(xué)報;2013年01期

10 王宏超;陳進;董廣明;;基于最小熵解卷積與稀疏分解的滾動軸承微弱故障特征提取[J];機械工程學(xué)報;2013年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 冷永剛;大信號變尺度隨機共振的機理分析及其工程應(yīng)用研究[D];天津大學(xué);2004年

2 趙艷菊;強噪聲背景下機械設(shè)備微弱信號的提取與檢測技術(shù)研究[D];天津大學(xué);2009年

3 張瑩;隨機共振信號恢復(fù)機理與方法研究[D];天津大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 馬海龍;復(fù)雜機電設(shè)備微弱特征提取與早期故障診斷方法研究[D];北京工業(yè)大學(xué);2011年

2 石鵬;隨機共振在微弱周期沖擊信號檢測中的應(yīng)用[D];天津大學(xué);2012年

3 黃平平;基于EMD的齒輪變速箱聲學(xué)故障診斷[D];中北大學(xué);2012年

4 宋紅英;基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷專家系統(tǒng)的研究[D];中國農(nóng)業(yè)大學(xué);2005年

5 姚劍飛;旋轉(zhuǎn)機械故障診斷專家系統(tǒng)研究與實現(xiàn)[D];北京化工大學(xué);2008年

6 徐麗莎;基于嵌入式旋轉(zhuǎn)機械遠程故障信號檢測與故障診斷系統(tǒng)的研究[D];中南大學(xué);2009年

7 楊珊;基于異常聲音的貨運列車滾動軸承故障診斷方法研究[D];中南大學(xué);2012年

，

本文編號：935834