旋轉(zhuǎn)機(jī)械在國民經(jīng)濟(jì)當(dāng)中有著較為廣泛的應(yīng)用,處于高端機(jī)械裝備當(dāng)中的旋轉(zhuǎn)機(jī)械如果發(fā)生了故障那么往往會造成很大的經(jīng)濟(jì)損失,甚至是有可能會造成人員的傷亡。對于旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷和在線監(jiān)測技術(shù)的研究可以快速的提前發(fā)現(xiàn)故障并且定位故障,這在工程中意義非凡。在科技當(dāng)中,尤其是自動(dòng)化與信息化飛速發(fā)展的當(dāng)下,航空航天、能源、制造等相關(guān)機(jī)械裝備的智能化程度日新月異,復(fù)雜性也越來越高,在這一背景之下以往對信號進(jìn)行特征提取的診斷方法對于當(dāng)前復(fù)雜系統(tǒng)的故障診斷逐漸已經(jīng)不再適用,因此如果想要提高復(fù)雜系統(tǒng)的可靠性,那么在當(dāng)前由數(shù)據(jù)驅(qū)動(dòng)發(fā)展的數(shù)字化以及智能化的大背景之下,對于復(fù)雜系統(tǒng)如何進(jìn)行智能化故障診斷方法的研究也就具有著極為重大的意義�！疤卣魈崛　币约啊澳Ｊ阶R別”是故障診斷當(dāng)中的兩個(gè)重要的互補(bǔ)問題,解決不善可對故障診斷效果產(chǎn)生較大的影響,放眼現(xiàn)行的由工作人員通過相關(guān)的先驗(yàn)知識來進(jìn)行特征提取的方法極大的限制了故障診斷的準(zhǔn)確度以及自動(dòng)化程度。反觀深度卷積模型的深度學(xué)習(xí)方法則能夠更好的進(jìn)行特征提取,而且可以直接的對信號來進(jìn)行識別,因此它在旋轉(zhuǎn)機(jī)械故障信號的“特征提取”與“模式識別”上具有著良好的應(yīng)用場景。本文開展了針... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

純凈模擬信號加入一定信噪比的高斯白噪聲后所得到的含噪信號如圖2.6所示：

第2章基于CEEMDAN自適應(yīng)去噪方法研究212log(N)（2-30）2.4信號模擬為了驗(yàn)證本文所設(shè)計(jì)的去噪方法的有效性，首先模擬一個(gè)信號并加入一定信噪比的高斯白噪聲，然后分別通過不同的去噪方法來進(jìn)行對比，式2-31即為本節(jié)所用到的模擬信號y5sin(10t)sin(2t)4cos(2t)（2-31）純凈的模擬信號如圖2.5所示：圖2.5純凈模擬信號加入一定信噪比的高斯白噪聲后所得到的含噪信號如圖2.6所示：圖2.6含噪模擬信號將帶噪信號經(jīng)CEEMDAN分解為多個(gè)IMF，并分別計(jì)算每個(gè)IMF的排列熵。圖2.7為帶噪信號經(jīng)CEEMDAN分解出的7層IMF分量，在此之后分別計(jì)算出所構(gòu)建的模擬信號的7個(gè)IMF的排列熵值，結(jié)果如表2.2所示�？梢杂�(jì)算得出這7個(gè)IMF排列熵的均值為1.602，則選取高于均值，即前三個(gè)高頻分量來進(jìn)行小波閾值去噪處理并且保留著剩余的低頻分量來完成信號的

吉林大學(xué)碩士畢業(yè)論文22重構(gòu)，其中小波閾值去噪處理所選擇的參數(shù)為：小波基選擇db8，分解層數(shù)選為5層，去噪的閾值選為固定閾值，閾值函數(shù)選為軟閾值函數(shù)。最后對這些IMF信號進(jìn)行重構(gòu)，模擬信號經(jīng)去噪后所得到的信號如圖2.8所示：表2.2不同IMF的排列熵值IMF序號排列熵值IMF12.578IMF22.249IMF31.738IMF41.412IMF51.115IMF61.076IMF71.010平均IMF1.602圖2.7模擬信號經(jīng)CEEMDAN分解的IMF分量

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床滾珠絲杠副故障診斷研究[J]. 唐旭,譚繼文,徐衛(wèi)曉,井陸陽.  煤礦機(jī)械. 2019(01)
[2]基于MWT和CNN的滾動(dòng)軸承智能復(fù)合故障診斷方法[J]. 韓濤,袁建虎,唐建,安立周.  機(jī)械傳動(dòng). 2016(12)
[3]深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J]. 段艷杰,呂宜生,張杰,趙學(xué)亮,王飛躍.  自動(dòng)化學(xué)報(bào). 2016(05)
[4]基于MSET方法的風(fēng)電機(jī)組齒輪箱預(yù)警仿真研究[J]. 孫建平,朱雯,翟永杰,葛建宏.  系統(tǒng)仿真學(xué)報(bào). 2013(12)
[5]數(shù)控機(jī)床可靠性技術(shù)的研究進(jìn)展[J]. 楊兆軍,陳傳海,陳菲,李國發(fā).  機(jī)械工程學(xué)報(bào). 2013(20)
[6]風(fēng)電機(jī)組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法[J]. 郭鵬,David Infield,楊錫運(yùn).  中國電機(jī)工程學(xué)報(bào). 2011(32)
[7]基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J]. 程軍圣,史美麗,楊宇.  振動(dòng)與沖擊. 2010(08)
[8]數(shù)控機(jī)床可靠性國內(nèi)外現(xiàn)狀與技術(shù)發(fā)展策略[J]. 賈亞洲,楊兆軍.  中國制造業(yè)信息化. 2008(08)
[9]基于EMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[J]. 楊宇,于德介,程軍圣.  振動(dòng)與沖擊. 2005(01)
[10]一種基于SVM和EMD的齒輪故障診斷方法[J]. 于德介,楊宇,程軍圣.  機(jī)械工程學(xué)報(bào). 2005(01)

博士論文
[1]基于振動(dòng)信號處理的滾動(dòng)軸承故障診斷方法研究[D]. 王曉龍.華北電力大學(xué)(北京) 2017
[2]齒輪箱復(fù)合故障診斷特征提取的若干方法研究[D]. 王志堅(jiān).太原理工大學(xué) 2015
[3]基于滑移向量序列奇異值分解的滾動(dòng)軸承故障診斷研究[D]. 從飛云.上海交通大學(xué) 2012
[4]基于振動(dòng)信號特征提取與表達(dá)的旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測與故障診斷研究[D]. 黃偉國.中國科學(xué)技術(shù)大學(xué) 2010
[5]基于Hilbert-Huang變換的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 程軍圣.湖南大學(xué) 2005

碩士論文
[1]基于軌旁聲學(xué)信號的城軌列車滾動(dòng)軸承故障診斷研究[D]. 蔣杰.南京理工大學(xué) 2017
[2]基于EEMD和最小二乘支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究[D]. 邵海賀.長春工業(yè)大學(xué) 2016
[3]基于EEMD的滾動(dòng)軸承振動(dòng)故障特征提取與診斷研究[D]. 劉覺曉.華北電力大學(xué) 2015



本文編號：3606652