学位论文 > 优秀研究生学位论文题录展示

基于信号局部特征提取的机械故障诊断方法研究

作　者: 杨先勇
导　师: 周晓军
学　校: 浙江大学
专　业: 机械制造及其自动化
关键词: 故障诊断特征提取人工免疫系统局部特征形态小波局域波特征选择最小二乘支持向量机非平稳降噪
分类号: TP277
类　型: 博士论文
年　份: 2009年
下　载: 904次
引　用: 1次
阅　读: 论文下载

内容摘要

人们对现代化生产系统运行可靠性和安全性越来越高的要求,是机械故障诊断技术产生并迅速发展的原因。随着机械设备向高速化、重载化、大型化和和复杂化方向发展,传统故障诊断技术越来越难以满足诊断需求。信号分析技术和人工智能方法的发展为提高故障诊断水平提供了有力工具。本文结合“车辆变速箱检测试验台”、“车辆分动器检测试验台”、“车辆变速箱齿轮检测试验台”等项目,针对机械设备发生故障时振动信号往往表现出时变性、非平稳性特点,以齿轮和轴承为对象,围绕故障特征信息提取和智能诊断方法这两个核心问题开展研究,重点在于基于信号局部特征的分析方法和基于AIS(Artificial Immune System)的智能诊断模型及其应用。主要工作和研究成果如下:(1)介绍了研究对象的主要故障形式、振动产生机理和信号特点,以及实际中振动信号的测量和传播路径的影响,为后续章节奠定基础。(2)针对测得的信号中伴有背景信号和噪声,研究了形态小波降噪和特征提取方法。基于形态小波的一般框架构造了极值提升形态小波和复合结构元素形态非抽样小波两种形态小波,将其用于冲击信号特征的提取,具有比传统小波和解调分析更强的特征提取能力;将极值提升形态小波应用于齿轮和轴承的小波灰度矩分析,结果表明极大改善了其对信号局部时频能量分布特征的刻画能力。(3)针对一般方法的基对信号局部特征不具有自适应性,研究了基于局域波的特征提取方法。提出了一种改进局域波分解特征提取性能的方法,根据局域波互信息剔除噪声分量和虚假分量,并引入形态小波分析,以抑制模态混叠和虚假分量,提高了信号分解的准确性和瞬时参数提取的时效性。在此基础上,提出局域波域的信息熵特征分析方法,用于定量刻画信号在基本模式空间中分布的复杂度。用实例验证了其有效性。(4)针对特征的重要性不同及其相关性和冗余性,结合局域波分析,从特征提取和特征选择两个方面研究了获得对分类有利的特征子集、改善分类性能的方法:核主元分析-最小二乘支持向量机和贝叶斯证据框架-序列后向选择-最小二乘支持向量机。前者通过核主元分析将数据映射到高维特征空间,在抑制冗余度和噪声的基础上进行特征提取;后者运用启发式搜索策略,在分类器学习过程中实现自适应的多特征子集选择优化。用实例验证了以上方法在提高分类器的学习和泛化性能上的有效性。(5)AIS本质上是模拟生物体自身的故障诊断机制,具有很好的可解释性。基于免疫识别和免疫网络隐喻机制,提出了基于V-detector算法的故障诊断模型和RS-ABNet故障诊断模型,前者适于处理低维空间问题,后者在处理高维空间问题时更具优势。通过对齿轮和轴承的故障诊断,证实了以上方法的实用性和有效性,为机械故障诊断提供了新的智能方法。

全文目录

致谢  5-6
摘要  6-8
ABSTRACT  8-14
1 绪论  14-31
  1.1 课题的提出与研究意义  14-16
  1.2 非平稳信号处理方法及其在故障诊断中的应用  16-22
    1.2.1 线型时频表示  17-18
    1.2.2 Cohen类双线性时频分布  18-19
    1.2.3 参数化时频分布  19-20
    1.2.4 局域波分解  20-21
    1.2.5 形态小波分析  21-22
  1.3 机械故障智能诊断技术的研究及应用  22-28
    1.3.1 机械故障诊断技术  22-23
    1.3.2 机械故障智能诊断技术的研究与应用现状  23-28
    1.3.3 智能诊断技术的发展趋势  28
  1.4 论文的主要研究内容和结构安排  28-31
2 齿轮和滚动轴承振动机理与特征分析  31-41
  2.1 概述  31
  2.2 齿轮振动机理与故障特征分析  31-34
    2.2.1 齿轮系统振动产生机理  31-32
    2.2.2 齿轮典型故障及其特征分析  32-33
    2.2.3 齿轮啮合故障振动信号模型  33-34
  2.3 滚动轴承振动机理与故障特征分析  34-37
    2.3.1 滚动轴承故障产生机理与特征分析  34-36
    2.3.2 轴承典型故障信号特点  36-37
  2.4 振动信号的传播与测量  37-38
  2.5 试验装置简介  38-40
    2.5.1 齿轮试验台  38-39
    2.5.2 滚动轴承试验台  39-40
  2.6 本章小结  40-41
3 基于形态小波的特征提取技术及应用研究  41-63
  3.1 形态小波变换理论基础  41-43
    3.1.1 数学形态学理论  41-42
    3.1.2 形态小波  42-43
  3.2 形态小波变换及其算法  43-47
    3.2.1 直接由线性小波构造的形态小波变换  43-44
    3.2.2 提升形态小波变换  44-45
    3.2.3 形态非抽样小波变换  45-47
  3.3 形态小波分析在故障特征提取中的应用  47-54
    3.3.1 形态小波降噪  47-49
    3.3.2 基于形态小波分解的信号故障特征提取  49-54
  3.4 基于MLMW分析的CWT灰度矩特征提取  54-62
    3.4.1 CWT灰度矩分析及其不足  55-56
    3.4.2 基于MLMW分析的灰度矩分析  56-58
    3.4.3 基于MLMW分析的灰度矩向量特征提取  58-59
    3.4.4 轴承和齿轮典型故障的FGMV分析  59-62
  3.5 本章小结  62-63
4 基于局域波分解的故障特征提取  63-85
  4.1 引言  63-64
  4.2 局域波的分解原理和实现  64-67
    4.2.1 瞬时频率  64
    4.2.2 局域波的分解算法  64-66
    4.2.3 局域波分解的特点  66-67
    4.2.4 局域波时频表示  67
  4.3 基于局域波互信息的降噪与特征提取  67-72
    4.3.1 基于局域波互信息的降噪  68-69
    4.3.2 仿真实验  69-71
    4.3.3 基于LWMI降噪的滚动轴承故障特征提取  71-72
  4.4 基于形态小波分析的局域波分解  72-79
    4.4.1 基于形态小波分析的局域波分解  73-76
    4.4.2 应用实例  76-79
  4.5 局域波分解的信息熵特征  79-83
    4.5.1 局域波奇异熵  80
    4.5.2 局域波能谱熵与局域波能矩谱熵  80-81
    4.5.3 局域波特征空间谱熵与边际谱熵  81
    4.5.4 齿轮和轴承典型故障的局域波信息熵特征分析  81-83
  4.6 本章小结  83-85
5 基于局域波分解和特征提取与选择策略的LSSVM故障诊断方法  85-101
  5.1 特征提取与特征选择  85
  5.2 基于核的特征提取和学习方法  85-89
    5.2.1 基于核子空间的故障特征提取  86-88
    5.2.2 最小二乘支持向量机  88-89
  5.3 基于局域波分解和KPCA-LSSVM的故障诊断方法  89-95
    5.3.1 故障诊断系统框架  89-90
    5.3.2 滚动轴承故障诊断实例分析  90-95
  5.4 基于BEF-SBS-LSSVM的特征选择与故障诊断方法  95-100
    5.4.1 基于BEF-SBS的特征选择方法  95-97
    5.4.2 基于BEF-SBS-LSSVM的多分类特征选择与故障诊断框架  97-98
    5.4.3 故障诊断实例分析  98-100
  5.5 本章小结  100-101
6 基于AIS模型的智能诊断方法研究  101-125
  6.1 基于V-detector算法的故障诊断方法  101-113
    6.1.1 V-detector算法  101-104
    6.1.2 基于V-detector算法的故障诊断方法  104-105
    6.1.3 Iris数据分类实验  105-107
    6.1.4 滚动轴承故障诊断实例分析  107-110
    6.1.5 齿轮故障诊断实例分析  110-113
  6.2 基于RS-ABNet算法的故障诊断方法  113-124
    6.2.1 ABNet算法  114-115
    6.2.2 基于粗糙集的属性约简  115-116
    6.2.3 RS-ABNet故障诊断系统模型  116-117
    6.2.4 基于RS-ABNet的滚动轴承故障诊断  117-121
    6.2.5 基于RS-ABNet的齿轮故障诊断  121-124
  6.3 本章小结  124-125
7 总结与展望  125-128
  7.1 全文总结  125-126
  7.2 创新点  126-127
  7.3 展望  127-128
参考文献  128-136
攻读博士学位期间发表(录用)的论文和参与的课题  136-137

基于信号局部特征提取的机械故障诊断方法研究

内容摘要

全文目录

相似论文