一、旋转机械状态监测与故障诊断系统(论文文献综述)
杨彦军[1](2021)在《基于多维监测的风电齿轮箱动态预警及应用研究》文中研究指明齿轮箱是双馈式风电机组的关键旋转部件之一,一旦发生异常,可能导致整个机组停机,齿轮箱故障不仅严重影响机组发电量,而且将大幅增加风电场的运维成本。风电机组状态监测与故障预警技术可优化维护模式,提高机组运行安全性与可靠性,本文针对风电齿轮箱进行状态监测与故障预警研究,主要内容如下:(1)针对风电齿轮箱温度异常监测问题,提出了一种基于动态核主元成分分析(Kernel Principal Component Analysis,KPCA)以及T2和平方预测误差(Square Prediction Error,SPE)统计量的风电齿轮箱过程监测方法,实现风电齿轮箱的状态在线监测及预警。首先,采用多维特征变量的相似性原则构造相关系数矩阵,选取合理的健康风电机组作为参考,以获得合理的自适应统计量控制限。其次,引入滑动窗口方法动态调整KPCA模型的训练集和测试集,能够及时感知系统的时变特性。实验表明,动态KPCA比传统KPCA监测模型可以更好地实现齿轮箱的状态在线监测及预警;以数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)的状态变量和状态监测系统(Condition Monitoring System,CMS)的振动信号时域特征指标构成的多维参数能更好地适应工况的变化。(2)通过分析SCADA数据,建立基于多输入改进蚁狮优化和支持向量回归(Multi-input Improved Ant Lion Optimization and Support Vector Regression,M-IALO-SVR)的齿轮箱油温预警模型。首先,按月份对多个健康机组的齿轮箱油温和其他状态参数进行相关性分析,合理的选择与齿轮箱油温相关的状态参数。其次,为了进一步分析基于M-IALO-SVR的风电齿轮箱油温预警模型性能,对预测得到的残差序列进行95%置信区间处理,然后采用滑动窗口统计方法计算残差均值和标准差的变化趋势。实验表明,当齿轮箱运行正常时,基于M-IALO-SVR的齿轮箱油温预测精度很高。当齿轮箱运行异常时,齿轮箱油温偏离正常范围,从而使残差的分布特性发生变化。通过滑动窗口残差统计特性和阈值对比,可以及时地对齿轮箱温度进行预警,从而验证了基于M-IALO-SVR的风电齿轮箱油温预警模型的可行性。(3)将CMS系统采集的非平稳时域信号通过角度域重采样得到平稳的角度域信号,对角度域信号再进行变分模态分解(Variational Mode Decomposition,VMD)和包络阶次分析。实验表明,首先,VMD在分解各类调幅调频仿真信号时,分解性能优于经验模态分解(Emprical Mode Decomposition,EMD)和集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)。其次,VMD结合希尔伯特变换能更准确的诊断齿轮箱故障,尤其是齿轮箱齿轮的复合故障。最后,故障特征在高转速运行模式下比低转速运行模式下更明显,故障特征在幅值解调中比在频率解调中表现明显。(4)为了实现风电场预防性智能运维,以双馈式风电机组的齿轮箱为主要监测对象,将SCADA系统、CMS系统、齿轮箱内窥镜照片进行融合,设计出一套集数据采集、传输、处理、状态监测、故障预警、故障诊断及性能评估等功能于一体的多维度智能监测系统。上述工作是对风电机组智能运维关键技术研究的积极探索和实践,为进一步优化风电机组预防性维护策略提供技术支持;对提高风电机组运行可靠性和降低风电场运维成本具有现实意义和学术价值。
刘东东[2](2021)在《旋转机械故障信息挖掘及状态评估方法研究》文中研究指明振动信号蕴含丰富的反映设备运行状态的信息,由于系统复杂性及噪声影响,直接分析采集的振动信号对机械状态进行评估,结果的准确性难以保证。挖掘振动信号中的故障信息以消除系统复杂性及噪声的影响,是提高评估结果准确性的有效途径。本文根据旋转机械振动信号调制的特点,研究振动信号中故障信息的挖掘方法,且基于挖掘得到的故障信息对机械状态进行评估。研究内容包括解调后频域中故障信息挖掘方法、故障激发的振动响应挖掘方法、数据稀缺情况下故障特征迁移方法和特征融合的故障程度评估方法四个部分。(1)研究了解调后频域中故障信息的挖掘方法。该方法通过设计相位函数集对振动信号进行解调,实现故障信息的挖掘。为了解决振动信号受转速随机波动影响问题,提出了一种新的相位函数设计方法。该方法可以将不同转速波动下相同物理意义的频率解调为相同频率值。使用这种新的相位函数设计方法,获得解调频谱。定义基频和容许误差,以此为基础实现解调后频域中故障信息搜索。新算法可以从含噪声的解调频谱中挖掘到故障信息,且实验平均识别率高于99%,有效提高了机械状态评估准确性。(2)研究了故障激发的振动响应挖掘方法。该方法通过引入Matrix profile算法,实现轴承故障激发的振动响应的挖掘。振动响应以共振频率为载波频率,且载波频率由机械系统决定,不受工况影响,且振动响应的幅值受到故障冲击及转频调制。针对这一特性,构造了以Z-normalized欧式距离为衡量方法的Matrix profile算法。该算法衡量振动响应的波形,因此挖掘的结果不受信号幅值影响。根据挖掘得到的振动响应,利用卷积神经网络(Convolutional neural network,CNN)实现机械故障程度的评估。实验验证了构造的Matrix profile算法可以从实验台和风力发电机振动信号中挖掘轴承故障激发的振动响应,且使用挖掘得到的数据可以提高机械故障程度评估的准确率。(3)研究了数据稀缺情况下故障特征迁移方法。该方法使用Matrix profile算法分别从实验台和风力发电机的振动信号中挖掘故障激发的振动响应,通过搭建双流CNN迁移模型,将从实验台数据学到的知识迁移到风力发电机数据训练的模型中。机械设备可用数据稀缺导致了网络模型对机械状态评估的准确性不足。为了充分从有限数据中学习特征,搭建了双流CNN模型,同时从挖掘数据的时域波形及其时频谱中学习特征。为了实现在数据有限情况下对网络模型的优化,首先使用实验台数据对双流CNN模型进行预训练,然后使用风力发电机数据对模型进行微调。实验证明了双流CNN迁移模型的识别率可以达到99.87%,较单流CNN模型对机械状态评估的准确率更高,且能够更快、更稳定地收敛。(4)研究了特征融合的故障程度评估方法。该方法首先使用自组织神经网络(Self-organizing map,SOM)对正常状态下的特征进行融合得到U-matrix映射单元,然后通过计算不同运行状态下的特征与U-matrix最佳匹配单元的递推分值定量差指标实现故障程度的量化。为了去除冗余特征,计算每个特征的拉普拉斯分值,依据分值大小对特征进行精化。利用SOM网络良好的拓扑保持性以及可视化性能,使用精化后的特征训练SOM网络得到的U-matrix映射单元对轴承的退化过程进行定性描述。提出了计算递推分值定量差指标量化故障程度。实验证明了使用挖掘的数据得到的U-matrix映射单元能够更准确地反映轴承退化趋势,融合的递推分值定量差指标能够更准确地评估故障程度。
周远远[3](2021)在《基于瞬时相位信息的RV减速器基础部件故障诊断方法研究》文中研究指明工业机器人广泛应用在机械制造、航空航天、国防军工等各个领域,是《中国制造2025》制造强国战略规划中重点研究攻克方向之一。RV减速器是工业机器人最为精密的关节传动部件,是快速、准确地执行各种复杂机械动作的重要保障。滚动轴承和齿轮等又是RV减速器的重要基础部件,其发生故障直接影响RV减速器甚至整个机器人的运行性能。瞬时相位信息蕴含丰富的机械健康状态特征,研究瞬时相位信息与RV减速器基础部件故障程度之间的关系,准确获取瞬时相位信息并进行信号处理分析是一种快速有效的故障定量诊断方法。首先,提出了一种基于偏心调制原理的瞬时相位检测技术。该检测技术可以准确获取蕴含RV减速器基础部件故障特征信息的瞬时相位信号,其原理主要是由凸轮和推杆之间的运动学规律推导出来的。采用激光位移传感器代替推杆,偏心轮代替凸轮,实现非接触式测量。然后依托瞬时相位检测技术原理,研制了一款瞬时相位检测装置,该检测装置最大可达到16000线的精度和0.0225°的分辨率。其次,提出一种基于自适应排列熵的RV减速器基础部件故障程度定量评价方法。该方法主要依托偏心调制原理的瞬时相位检测技术能够准确获取瞬时相位信息,依托排列熵能够有效放大时间序列的微小变化的能力,对信噪比反应灵敏,而且算法简单,实时性高的特点。试验结果表明,该技术能够快速、有效地对不同质量问题的RV减速器基础部件进行分类。最后,研制了一款RV减速器基础部件故障诊断试验平台。该平台可以高效、精确地获取RV减速器故障基础部件的瞬时相位信息,其主要包括机械系统和数据采集系统两部分。机械系统主要模拟工业机器人关节部件RV减速器实际运行状态,为试验测试提供一个模拟工况。数据采集系统主要采用NI-USB-6002多功能数据采集卡进行数据采集,并基于NI-DAQmx进行数据采集程序设计。试验测试结果表明,该平台可以有效地判断RV减速器是否存在故障和性能缺陷。同时,也可以应用到RV减速器出厂质量检测中。图[60]表[7]参[95]
张树涛[4](2021)在《旋转机械运行安全在线监测系统的研究与开发》文中提出大型旋转机械,如发电机、汽轮机、冶金机组等,其状态监测与故障诊断技术的有效实施以保证机组运行安全具有重大意义。因此,旋转机械运行安全状态监测是设备维护的主要方式,提取旋转设备的状态特征是前提条件,最终开发一套完整的、具有多方法的旋转机械运行安全在线监测系统。在线监测系统以大型旋转机械为研究对象,针对某热源厂一次风机的运行状态在线监测,根据实际需求研究了旋转机械设备的状态特征参量,结合前人的研究成果,以国内外知名在线监测系统为参考,对现有的旋转机械故障分析方法进行改进,提出了以DSP为核心的一套下位机硬件采集运算系统,在PC端开发一套旋转机械在线监测上位人机交互系统。下位机软件采用Code Composer Studio V6.0(CCS6.0)集成开发环境,融入了时域分析、频域分析、时频域分析以及微弱信号分析等多种算法,将采集的旋转机械振动信号进行分析处理。下位硬件选择TMS320F28335 DSP作为核心处理器,使用Altium Designer10软件设计了相应的数据采集电路、数据处理电路和数据传输电路原理图以及PCB的设计。实现主要算法的分析,提高系统整体的快速性。上位机软件在Visual Studio 2012环境下,选用C#语言进行开发人机交互界面,设计与DSP接口通讯实现上下位软件信息交互,最终将采集到的信号在上位机以图表的形式展示在用户面前,同时上位机还具有数据显示、存储、查询和上传等功能。测试环节主要选取了一种时频分析方法,采用改进后的经验模态分解方法对一次风机振动信号分析诊断,并取得了监测设备的故障特征。本文研发的旋转机械运行安全在线监测系统通过实验实现对算法的验证,在实际应用中接入某热源厂一次风机的振动信号进行测试分析,根据测试结果分析出设备存在的主要问题,通过测试实现了对该系统软件以及硬件可靠性、自动化程度、运行效率的检验,满足了实际的需求。
张志成[5](2021)在《面向无标签数据的旋转机械故障诊断方法研究》文中研究指明旋转机械作为绝大多数机械设备的核心部件,在工业化生产中有着广泛的应用,其一旦发生故障,往往会造成重大的经济损失甚至人员伤亡等严重后果。因此为了提升旋转机械运行期间的安全性和可靠性,避免重大事故的发生,需要对旋转机械故障诊断技术进行大量的研究。针对已有大多数故障诊断算法是基于有监督的思想,需要借助数据先验信息,即面向有标签的数据,且所涉及算法的参数大多需要人为指定,实际可操作性不强的不足,本文提出了一种面向无标签数据的无监督、参数自适应化的旋转机械故障诊断算法(Sm-DLLOF-AFCM),可以对没有任何先验信息(标签)的样本集自适应的完成故障诊断工作,具有良好的准确性和较强适用性等实际意义。主要工作概括如下:1.对旋转机械故障的典型故障进行一定的分析。对旋转机械状态监测数据的采集和预处理技术开展了一定的研究。最后确定了基于Labview的数据采集方案,和小波阈值降噪的预处理方式。2.对特征提取和特征选择技术进行了研究。在进行旋转机械振动信号的特征提取工作中,采用基于尺度空间理论的改进经验小波变换算法(SEWT)。SEWT算法解决了传统的经验小波变换(EWT)算法需要人为指定频带分割数目的问题,可以自适应的确定频带分割数目并确定保留的模态分量(IMF)。在进行特征选择工作中,采用基于m RMR思想的改进的拉普拉斯分值算法(m RMR-LS)。m RMR-LS算法综合考虑了特征之间的相关性和冗余性,可以自适应的采用无监督的方式完成特征选择工作。3.对模式识别方法进行了研究,采用了异常识别加聚类的无监督模式识别方法。首先在异常识别工作中,采用了二次识别的方式来提升识别的准确性和效率,其中初次识别采用基于核密度估计方法的改进DBSCAN算法(KDBSCAN),KDBSCAN算法可以自适应的确定传统的DBSCAN算法中的两个参数Eps、Minpts,输出噪声点和少类簇样本作为初次识别的异常样本。二次识别采用基于自然最近邻居搜索方法的改进局部离群因子算法(LLOF),可以自适应的确定LOF算法中的邻域参数k,输出二次识别的异常样本和其异常得分值(LOF)。然后通过真实数据集验证了两种算法的优越性。最后针对经过异常识别算法得到的异常样本和其得分值,采用了自适应的模糊C均值聚类算法(AFCM),将异常样本进行分类。4.确定了最终的故障诊断方案并进行验证。首先提出Sm-DLLOF-AFCM旋转机械故障诊断算法,并给出其一般流程。然后利用实验室的电主轴状态监测试验系统和搭建的电主轴综合试验软件平台,通过人工模拟故障的方式得到了转子数据集。最后将Sm-DLLOF-AFCM算法应用到实验室的转子数据集和公开的轴承和齿轮数据集中进行验证,结果表明,Sm-DLLOF-AFCM算法在三个数据集上均取得了良好的效果,在保证效率的同时,能成功的将绝大多数异常(故障)样本找出并进行聚类。
汤天宝[6](2021)在《轮对轴承故障诊断系统开发及应用》文中指出对于大部分旋转机械设备而言,轴承是不可或缺的核心零部件,轴承的运行状况往往能够反映出机械设备整体的健康状况。机械设备在实际工作过程中,如果某个方向长期受到压迫,极易造成轴承不对中;零部件之间产生较大摩擦,往往会引起轴承内圈、外圈、滚动体磨损;设备长期受到环境干扰,如冲撞、水蚀等,内圈、外圈、滚动体表面容易剥落。如果能够在设备故障早期发现问题,及时更换损坏的零部件,能够一定程度上避免意外发生。本文在信号分解、特征值提取、智能故障诊断的基础上以轮对轴承信号为基础,开发了一套轮对轴承故障诊断系统,并结合实际工作场景进行应用测试。本文涉及的主要研究内容如下:(1)首先描述了经验模态分解和奇异谱分解理论,通过建立仿真信号进行分析,验证了奇异谱分解能够有效的提取信号的各个频率成分,同时阐述了基于改进的峭度准则进行信号重构和特征提取的过程。(2)详细描述了多层支持向量机理论分析过程,并分析了多层支持向量机在故障轴承分类方面的优缺点,结合识别准确率和时间开销综合考虑提出了两层支持向量机模型算法。利用改进的峭度准则将经验模态分解和奇异谱分解后获得的分量信号进行重构,选取高敏感特征参量建立特征向量,形成样本数据。分别在西储公开数据集和实验室轴承数据集上训练分类模型算法,输出识别准确率。对测试样本的识别准确率进行比较分析,为轮对轴承的故障诊断工程应用奠定了基础。(3)设计开发了轮对轴承故障诊断实验平台。根据实际工程应用需求,完成了系统总体结构设计,包括传感器、数据采集板卡和工控机的选型,数据库分析与设计,轮对轴承故障诊断实验平台的搭建。通过采集货车轮对轴承振动和声音数据进行数据分析,实现了多特征参数实时在线监测。结合数据库完成数据存储,参数配置、实时监测、振动分析、声音分析、数据管理、模型训练、报告生成模块的开发。在轮对轴承实验平台进行实验测试,初步验证了系统在轮对轴承故障诊断方面的有效性。
李春林[7](2021)在《面向石化机组故障诊断的互无量纲与深度学习研究及应用》文中认为旋转机械的传动系统和工作条件存在多样性和复杂性,使得振动信号具有非线性和非平稳。各种激励源产生的信号存在模糊、混合和多耦合特点,使得区分故障信号和正常信号变得困难。目前,旋转机械中的轴承安全对现代石油化工系统的可靠性与稳定性具有重要的意义,轴承故障诊断已成为石化装置系统设计和维护的关键环节。不少基于无量纲指标的轴承故障诊断方法被提出,往往未能实现有效精准的健康监测。深度学习作为机器学习子领域,起到连接石化旋转机械故障数据与健康监测的桥梁作用。本文针对传统时域分析的故障诊断方法存在特征向量计算量大、对诊断知识过度依赖与特征提取算法复杂等局限,利用深度学习在机器视觉优势,提出基于时间序列编码的故障诊断算法、基于互无量纲指标与类Gram矩阵的故障诊断算法和基于经验模态分解和互无量纲的故障诊断算法。主要研究内容如下:(1)提出基于时间序列编码与深度学习相结合的故障诊断方法。首先研究将故障振动信号通过时间序列编码转换成故障图片;接着研究利用不同深度学习模型对二维数据识别分类;最后采用广东省石化装备故障诊断重点实验室与凯斯西储大学实验室的多级离心风扇采集到的两个数据集测试,实现了平均预测准确率分别为94.07%和96.28%。该方法研究了极坐标双映射原理,消除传统Gram矩阵高斯噪音,解决内积不满足线性和正定要求。故障诊断过程不需要预先确定参数,尽可能地消除专家经验带来的影响。(2)提出基于互无量纲与类Gram矩阵相结合的故障诊断方法。首先研究互无量纲理论对故障振动信号的敏感特征提取,避免特征冗余或不敏感性;接着研究利用类Gram矩阵将互无量纲指标仿真为故障图片;最后采用两种不同的数据集通过深度学习识别验证,实现了平均预测准确率分别为87.75%与96.02%。该方法设计新的参数得到互无量纲指标,缩短传统无量纲对目标的构造距离,减少故障之间重复索引,提高对旋转机械故障敏感性。降低训练时间,保证识别故障精度。(3)提出基于经验模态分解与互无量纲相结合的故障诊断方法。首先研究将经验模态分解处理故障振动信号的非线性和非平稳状态;接着研究对模态函数提取互无量纲指标;最后采用迁移学习对不同数据集映射的故障图片识别分类,实现了平均准确率分别为96.22%与95.67%。该方法对传统无量纲与改进互无量纲可视化对比,研究两种无量纲因子重叠关系,结果表明改进互无量纲指标特征空间重叠现象较小。故障类型更多的情况,比前期研究方法更稳定。与传统无量纲故障诊断方法对比,验证该算法的优越性。
王天宇[8](2021)在《基于数字成像和图像处理的转速和振动测量研究》文中研究说明旋转机械在能源、化工、电力、冶金等行业占有举足轻重的地位。旋转机械的转速和振动参数是其重要的运行参数,其测量有助于及时、准确地掌握旋转机械的健康状况,为工业系统故障预警、避免无计划的停工停产提供科学的数据。然而现有的检测仪表在性能、价格和适用范围等方面均存在一定的局限性,特别是在复杂、恶劣的工业环境下。比如对于尺寸较小的微机电系统,常规的接触式测量装置会引入额外质量,影响其动态特性。在一些不易于粘贴标记的对象,比如大型风机的叶片等部件,常规传感器的安装与维护成本较高。为了更好地保障机械设备运行的安全性和高效性,有必要继续探究新的测量技术,准确可靠地测量转速和振动,来实现更为完善的设备工作状态监测,推动该领域的研究发展。随着图像传感器制造工艺和图像处理技术的发展,视觉测量方法在机械状态监测领域得到了一定的应用。但目前的视觉测量系统主要是基于昂贵的高速相机,不利于工业上的普遍应用。另外,由于运动模糊等现象的影响,测量精度有待提升。本文通过研究旋转机械转子部件在设备运行过程中的运动特性和图像传感器的感应机理,开发基于低成本图像传感器和图像处理技术的转速和振动测量系统,其具有较高的测量精度和可靠性。相比于高速相机成像的测量系统,该方法可大大降低测量成本。主要的研究成果如下:(1)提出一种基于图像序列相似度的转速测量方法。该方法采用低成本图像传感器采集图像序列,通过提出的三种图像相似度指标,将图像序列转换为一维的相似度信号。根据图像相似度信号的时域、频域特性,提出短时Chirp-Z变换和基于抛物线插值的短时自相关方法,用于图像相似度信号的瞬时旋转频率估计,提取转速信息。对恒定转速的测量结果的最大相对误差不超过±0.7%,归一化标准差不超过1%(转速测量范围为0rpm-3000rpm)。对于动态转速,亦能够得到满意的测量结果。对于渐变转速(1000 rpm-2000 rpm)的测量误差小于±0.5%,对于转速的阶跃变化,测量误差不超过1.4%。该方法基于图像的周期性,可有效克服运动模糊、目标遮挡等不利影响,保证测量精度。(2)提出基于图像相关的振动测量方法。当旋转机械在运行时,旋转部件的振动会导致图像灰度分布的变化。采用图像相关方法处理旋转部件图像序列,获取能够表征旋转部件振动的图像相关信号,通过频谱分析求解旋转部件的振动频率和振幅。与商用电涡流传感器的测量结果进行了对比。从实验结果上来看,该视觉测量系统能够准确地测量不同转速下的振动频率和相对振动幅度,测得的振动频谱与参考装置几乎一致,在基频和高次谐波频率处都存在强烈且明显分离的谱峰。不同于现有的图像方法,该方法无需在被测部件上附加人工标记,具有较高的普适性。(3)提出基于二维码跟踪的转速测量方法。利用局部特征和图像匹配算法,跟踪粘贴在旋转部件表面的二维码标记,实现旋转部件旋转角度和转速的测量。本文主要采用AKAZE局部特征,并通过图像相关系数和Hamming距离对特征匹配过程进行优化,提高特征匹配精度,减少误匹配。测量结果与SIFT、SURF算法进行对比。实验结果表明,转速测量的最大相对误差不超过± 1%,归一化标准差不超过0.6%,测量性能优于SIFT、SURF算法。该方法只需2张转子图像,即可完成测量,具有较高的测量精度、实时性好。(4)在多种实验工况的条件下对视觉测量系统进行性能测试,实验结果验证了测量系统的可靠性和环境适应性。深入研究图像传感器分辨率、帧率、曝光时间、光照强度、拍摄角度等对测量系统性能的影响,探求视觉测量系统最佳工作参数。另外,对提出的视觉测量系统进行了现场测试,包括风力发电机的转速和振动测量、工业电机转轴的转速测量等。实验表明,本文开发的视觉测量系统可以精准表征旋转机械转速与振动等信息,测量精度和测速范围均优于现有的图像方法。
张传飞[9](2021)在《旋转机械振动源响应的净化及故障演化跟踪》文中提出机械振动信号是在多个振动源共同作用下的机体振动的测量,从中获得干净的振动源响应有利于故障演化过程的准确跟踪。旋转机械的工作特点决定了目标振动源的响应会以片段的形式重复地、相似地出现。对片段进行信号分解,利用同源相似性质确定各片段间共有的子分量,重构得到干净的振动源响应。本文研究了不同的信号分解方法及其组合对振动源响应的净化性能,并利用净化后的振动源响应研究了基于特征融合和相空间曲变的机械故障演化跟踪方法。主要研究内容包括:1.研究了多种信号分解方法的净化性能。将组成混合信号的多种不同的成分分解到不同的子分量上,是研究振动源响应净化的基础。利用多种信号分解方法(小波分解、EEMD、LMD、SSA、RSSD和MP)净化16组含不同噪声成分的混合信号,从子分量中各成分的能量占比、相关系数和信噪比等多个方面研究了各信号分解方法的净化性能。2.研究了基于多层分解的旋转机械振动源响应净化方法。根据旋转机械同一故障源产生的振动响应具有分布规律性和模式相似性,研究了旋转机械振动源响应的净化原理,提出了一种改进的共有成分选择方法,并利用实测信号进行了验证。同时,在单层信号分解方法无法完整准确分离冲击响应和噪声的基础上,研究了不同信号分解方法组合的多层分解方法(双层、三层和四层)对复杂混合信号的净化性能,并提出了一种具有广泛适用性的SSA+MP+RSSD的三层分解方法。利用仿真信号和实测信号对SSA+MP+RSSD进行验证,实验结果均表明该方法的有效性。3.研究了基于特征融合的故障演化跟踪方法。在振动源响应净化的基础上,提取各故障源信号的时域特征10个、频域特征6个、时频域特征16个和熵特征4个共计36个特征指标,利用斯皮尔曼相关系数和相关性聚类算法筛选出单调且不冗余的最佳特征指标,并利用SOM算法进行融合,获得代表故障源在不同时刻演化状态的量化指标S。利用实测信号进行验证,结果表明多特征融合的方法在故障演化跟踪方面的有效性,同时,利用净化后的振动源响应得到的故障演化跟踪曲线较净化前更加平滑和准确。4.研究了基于多时间尺度相空间曲变的故障演化跟踪方法。针对特征融合方法中特征难选择以及数据要求较高的问题,提出了一种基于SSA信息提取的多时间尺度相空间曲变的故障演化跟踪方法。首先,利用三层信号分解方法SSA+MP+RSSD对混合信号中振动源响应进行净化,获得各故障源产生的振动响应;然后,利用多时间尺度相空间曲变的方法获得各故障的演化跟踪矩阵;最后,利用基于SSA的信息提取方法提取故障演化跟踪矩阵中隐含的故障演化信息。以实测的轴承从正常到失效过程的含内、外圈复合故障的全生命周期信号进行验证,结果表明该方法得到的故障演化跟踪曲线的起伏波动更小,反映故障发生的时刻更加准确,更有利于旋转机械故障的演化跟踪。上述研究得出了有效的振动源响应净化和故障演化跟踪方法。以SSA+MP+RSSD三层分解方法和基于SSA的多时间尺度相空间曲变技术实现了对旋转机械振动源响应的净化及故障演化跟踪任务。
胡瑞杰[10](2021)在《基于时频分析的齿轮箱故障诊断技术研究》文中指出齿轮箱作为常见的旋转机械,广泛应用于机械加工、风力发电、航空航天等多个领域,由于其长期运行在变工况、强冲击等恶劣的工作环境下,核心部件容易发生故障,影响整个设备运转甚至发生严重的安全事故,因此对运转过程中的齿轮箱进行状态监测与故障诊断具有重要意义。本文以定轴齿轮箱与行星齿轮箱为研究对象,提出了基于时频分析的齿轮箱故障诊断技术,通过在分数域优化Gabor变换的窗函数得到高质量的时频分析方法,并将其应用于无键相阶次分析中。论文主要内容如下:(1)研究变工况下齿轮箱故障诊断技术的国内外发展现状,对齿轮的故障机理进行分析,针对定轴齿轮箱与行星齿轮箱提出了不同的计算故障特征频率方法,将齿轮故障分为分布式与局部式两种,建立了不同故障类型下的齿轮啮合点振动仿真信号模型。分析了传统时频变换方法的原理,利用太阳轮断齿振动仿真信号比较了各种时频变换方法的优缺点。(2)针对传统时频分析方法时频聚集性差、分辨率低的问题,提出一种分数域最优窗函数Gabor变换方法,将分数阶傅立叶变换的旋转特性引入到时频分析方法中,在分数域优化传统Gabor变换的窗函数,并提出广义时间带宽积原则,计算在该原则下的最优窗函数。利用太阳轮断齿仿真信号与实测故障齿轮信号验证了所提方法的有效性与优越性。(3)针对传统阶次分析方法获取转速信号困难的问题,提出一种基于瞬时频率估计的无键相阶次分析方法。在研究传统瞬时频率估计方法的基础上,将所提出的改进Gabor变换应用于瞬时频率估计中,利用峰值搜索法在时频图像中提取时频脊线得到转频信息,进一步进行角域重采样可获得不受转速波动影响的角域信号,利用傅立叶变换得到阶次谱可提取出故障特征阶次。利用齿轮裂纹仿真信号与实测故障齿轮信号验证了所提方法的有效性与优越性。(4)基于LabVIEW搭建齿轮箱状态监测与故障诊断系统,可实现数据采集、信号处理、数据保存、数据传输等多种功能。将所提优化的Gabor变换与无键相阶次分析方法嵌入至诊断系统中,实现了齿轮箱多种工况下的状态监测与故障诊断。
二、旋转机械状态监测与故障诊断系统(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、旋转机械状态监测与故障诊断系统(论文提纲范文)
(1)基于多维监测的风电齿轮箱动态预警及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外研究现状分析 |
1.2.1 风电齿轮箱状态监测及预警方法研究现状 |
1.2.2 风电齿轮箱在线监测系统发展现状 |
1.3 本文的主要研究内容与章节安排 |
第2章 风电机组状态参数分析与选取 |
2.1 引言 |
2.2 风电机组基本组成及齿轮箱结构特点 |
2.2.1 风电机组基本组成 |
2.2.2 齿轮箱结构特点 |
2.2.3 齿轮箱常见故障类型 |
2.3 状态参数分析及预处理 |
2.3.1 状态参数分析 |
2.3.2 状态参数预处理 |
2.4 状态参数相关性分析 |
2.4.1 相关性分析方法 |
2.4.2 齿轮箱温度关联参数的相关性分析 |
2.4.3 季节因素对状态参数的影响分析 |
2.5 风电齿轮箱振动监测分析 |
2.5.1 常规监测指标 |
2.5.2 行星轮系故障特征频率 |
2.6 本章小结 |
第3章 动态KPCA-TS在风电齿轮箱状态监测中的应用研究 |
3.1 引言 |
3.2 KPCA分析方法及异常检测指标 |
3.2.1 核主元成分分析(KPCA) |
3.2.2 基于KPCA方法的异常检测指标 |
3.3 基于动态KPCA-TS的风电齿轮箱温度状态监测模型 |
3.3.1 健康机组选取 |
3.3.2 滑动窗口模型 |
3.3.3 算法流程 |
3.4 实验验证 |
3.4.1 齿轮箱正常状态分析 |
3.4.2 齿轮箱异常状态分析 |
3.4.3 假数据注入攻击分析 |
3.4.4 多维监测分析 |
3.5 本章小结 |
第4章 基于M-IALO-SVR的风电齿轮箱故障预警方法研究 |
4.1 引言 |
4.2 基于IALO-SVR的预测方法 |
4.2.1 SVR方法 |
4.2.2 ALO算法 |
4.2.3 ALO算法的参数优化 |
4.3 基于M-IALO-SVR的风电齿轮箱温度预测性能测试 |
4.3.1 输入输出模型结构 |
4.3.2 基于M-IALO-SVR的风电齿轮箱油温预警模型步骤 |
4.3.3 模型验证 |
4.3.4 季节因素对齿轮箱油温预测的影响分析 |
4.4 基于M-IALO-SVR的风电齿轮箱温度预警分析 |
4.4.1 滑动窗的残差统计方法 |
4.4.2 残差的统计特性分析 |
4.5 本章小结 |
第5章 基于幅值解调和频率解调的风电齿轮箱复合故障诊断 |
5.1 引言 |
5.2 变分模态分解算法 |
5.2.1 算法原理 |
5.2.2 VMD算法过程 |
5.3 VMD分解性能分析 |
5.3.1 多谐波信号分析 |
5.3.2 含高频间歇扰动的信号 |
5.3.3 多分量调幅-调频信号 |
5.4 典型工况下基于VMD和解调分析的复合故障诊断 |
5.4.1 启动限速运行模式 |
5.4.2 最大功率跟踪运行模式 |
5.4.3 额定功率运行模式 |
5.5 本章小结 |
第6章 风电场多维度智能监测系统设计与实现 |
6.1 引言 |
6.2 系统整体结构设计 |
6.3 系统硬件设计及安装 |
6.3.1 传感器布置方案 |
6.3.2 数据采集单元及无线网络部署 |
6.4 系统软件设计 |
6.4.1 客户端子系统设计 |
6.4.2 服务端系统设计 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 全文结论 |
7.2 研究展望 |
参考文献 |
在学研究成果 |
致谢 |
(2)旋转机械故障信息挖掘及状态评估方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景 |
1.1.1 课题来源 |
1.1.2 选题意义 |
1.2 旋转机械故障诊断研究现状 |
1.2.1 振动信号分析方法 |
1.2.2 非平稳振动信号分析方法 |
1.2.3 旋转机械故障智能识别方法 |
1.2.4 机械故障程度定量表达方法 |
1.3 拟解决的问题 |
1.4 研究内容及章节安排 |
2 解调后频域中故障信息挖掘方法研究 |
2.1 引言 |
2.2 轴承振动信号调制特点 |
2.3 解调后频域中故障信息挖掘算法 |
2.3.1 广义解调算法 |
2.3.2 解调后频域中故障信息挖掘算法 |
2.4 基于解调后频域中信息挖掘的识别方法 |
2.5 仿真验证 |
2.6 实验验证 |
2.6.1 实验台及数据采集 |
2.6.2 识别结果对比 |
2.7 本章小结 |
3 机械故障激发的振动响应挖掘方法 |
3.1 引言 |
3.2 振动响应挖掘方法 |
3.2.1 Matrix profile算法 |
3.2.2 振动响应挖掘参数设置 |
3.3 基于振动响应挖掘的识别算法 |
3.3.1 卷积神经网络 |
3.3.2 基于振动响应挖掘识别方法 |
3.4 实验验证 |
3.4.1 实验数据 |
3.4.2 实验结果 |
3.5 风力发电机振动信号验证 |
3.5.1 实验装置 |
3.5.2 实验结果 |
3.6 本章小结 |
4 数据稀缺情况下故障特征迁移方法 |
4.1 引言 |
4.2 双流CNN迁移模型 |
4.2.1 双流CNN输入信号 |
4.2.2 双流CNN模型搭建 |
4.3 基于振动响应挖掘及迁移模型识别算法 |
4.4 实验验证 |
4.4.1 数据介绍 |
4.4.2 识别结果对比 |
4.5 本章小结 |
5 特征融合的故障程度评估方法 |
5.1 引言 |
5.2 振动信号特征提取与精炼 |
5.2.1 振动信号特征提取 |
5.2.2 拉普拉斯分值算法 |
5.2.3 改进特征融合算法 |
5.3 基于改进特征融合故障程度定量表达方法 |
5.4 实验验证 |
5.5 风力发电机振动信号验证 |
5.6 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 工作展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)基于瞬时相位信息的RV减速器基础部件故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题来源 |
1.2 课题背景和研究意义 |
1.3 故障诊断技术研究现状 |
1.3.1 智能诊断和预测维护的一般流程 |
1.3.2 监测诊断技术分类及研究现状 |
1.4 本文的主要研究工作和内容安排 |
2 RV减速器基础部件故障机理分析 |
2.1 引言 |
2.2 RV减速器故障机理分析 |
2.2.1 结构组成和传动原理 |
2.2.2 RV减速器故障预判断 |
2.2.3 故障响应传递路径分析 |
2.3 滚动轴承故障机理分析 |
2.3.1 结构组成及失效形式 |
2.3.2 滚动轴承故障演化规律分析 |
2.3.3 滚动轴承的振动机理 |
2.3.4 RV减速器主轴承的受力分析 |
2.4 齿轮故障诊断基础 |
2.4.1 齿轮的振动机理 |
2.4.2 齿轮的故障信号分析 |
2.5 瞬时相位检测的选择 |
2.6 本章小结 |
3 基于偏心调制原理的瞬时相位检测技术 |
3.1 引言 |
3.2 瞬时相位偏心调制过程 |
3.3 瞬时相位解调过程 |
3.4 瞬时相位检测装置研制 |
3.5 本章小结 |
4 基于自适应排列熵的基础部件故障程度定量评价 |
4.1 引言 |
4.2 集合经验模态分解 |
4.2.1 经验模态分解 |
4.2.2 集合经验模态分解 |
4.3 自适应排列熵 |
4.3.1 排列熵理论 |
4.3.2 相空间重构自适应参数选择 |
4.3.3 基于自适应排列熵的故障程度定量评价方法 |
4.4 RV减速器轴承和齿轮动态性能定量评价 |
4.4.1 齿轮动态性能定量评价验证实验 |
4.4.2 轴承动态性能定量评价验证实验 |
4.5 本章小结 |
5 RV减速器基础部件故障诊断试验平台研制 |
5.1 引言 |
5.2 故障诊断试验平台整体方案设计 |
5.3 故障诊断试验平台组成和介绍 |
5.3.1 研究对象 |
5.3.2 驱动装置 |
5.3.3 数据采集系统 |
5.3.4 负载装置 |
5.4 在RV减速器出厂质量检测中的应用 |
5.5 本章小结 |
6 结论和展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录A 批次齿轮试验标准化排列熵表 |
附录B 批次轴承试验标准化排列熵表 |
致谢 |
作者简介及读研期间主要科研成果 |
(4)旋转机械运行安全在线监测系统的研究与开发(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 课题国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 课题研究内容及目标 |
1.3.1 研究内容 |
1.3.2 研究目标 |
1.4 文章组织结构安排 |
1.5 本章小结 |
第2章 旋转机械运行安全的特征分析及算法研究 |
2.1 旋转机械的状态特征参量 |
2.1.1 振幅 |
2.1.2 振动频率 |
2.1.3 相位 |
2.1.4 转速 |
2.1.5 电量参数 |
2.1.6 温度 |
2.2 时频分析方法研究 |
2.2.1 傅里叶变换 |
2.2.2 小波变换及小波包变换 |
2.2.3 经验模态分解方法 |
2.2.4 希尔伯特变换 |
2.2.5 变分模态分解方法 |
2.2.6 局域均值分解方法 |
2.3 微弱信号处理方法研究 |
2.4 本章小结 |
第3章 旋转机械运行安全在线监测系统硬件设计 |
3.1 系统硬件整体设计描述 |
3.1.1 硬件设计性能指标 |
3.1.2 系统硬件构成 |
3.2 DSP简介 |
3.2.1 DSP选型 |
3.2.2 TMS320F28335 简介 |
3.3 振动信号处理电路设计 |
3.3.1 振动传感器的选择 |
3.3.2 振动传感器的安装 |
3.3.3 振动信号采样电路设计 |
3.3.4 振动信号调理电路设计 |
3.4 温度信号处理电路设计 |
3.4.1 温度传感器的选择 |
3.4.2 温度传感器的安装 |
3.4.3 温度采集电路设计 |
3.5 其他模块电路设计 |
3.5.1 电源模块电路设计 |
3.5.2 程序调试电路设计 |
3.5.3 数据存储电路设计 |
3.5.4 显示模块电路设计 |
3.5.5 通讯模块电路设计 |
3.6 PCB电路设计 |
3.7 本章小结 |
第4章 旋转机械运行安全在线监测系统下位机软件开发 |
4.1 下位机软件整体框架设计 |
4.2 下位机软件初始化程序设计 |
4.3 下位机软件数据采集程序设计 |
4.4 下位机软件数据处理程序设计 |
4.4.1 时域算法处理程序设计 |
4.4.2 幅值域算法处理程序设计 |
4.4.3 频域算法处理程序设计 |
4.5 下位机软件通讯模块设计 |
4.6 本章小结 |
第5章 旋转机械运行安全在线监测系统上位机软件开发 |
5.1 上位软件开发分析 |
5.1.1 系统开发思路 |
5.1.2 系统开发环境及工具 |
5.1.3 上位系统开发原则 |
5.1.4 系统整体框架结构 |
5.2 上位系统功能模块开发 |
5.2.1 开机界面 |
5.2.2 用户管理模块 |
5.2.3 参数配置模块 |
5.2.4 通讯模块 |
5.2.5 数据采集模块 |
5.2.6 数据查询模块 |
5.2.7 时域分析模块 |
5.2.8 频域分析模块 |
5.2.9 时频分析模块 |
5.2.10 微弱信号分析模块 |
5.2.11 故障诊断模块 |
5.3 本章小结 |
第6章 旋转机械运行安全在线监测系统的测试 |
6.1 下位机功能测试 |
6.2 上位机功能测试 |
6.2.1 时域分析测试 |
6.2.2 频域分析测试 |
6.2.3 时频分析测试 |
6.2.4 微弱信号分析测试 |
6.3 本章小结 |
总结与展望 |
总结 |
展望 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文目录 |
(5)面向无标签数据的旋转机械故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 旋转机械故障诊断研究现状 |
1.2.2 异常识别算法研究现状 |
1.3 本文主要研究内容 |
第2章 旋转机械典型故障分析及状态监测数据的采集和预处理 |
2.1 引言 |
2.2 旋转机械典型故障分析 |
2.2.1 轴承故障 |
2.2.2 转子系统故障 |
2.2.3 齿轮故障 |
2.3 旋转机械状态监测数据采集 |
2.4 旋转机械状态监测数据预处理 |
2.5 本章小结 |
第3章 旋转机械振动信号特征提取和特征选择方法研究 |
3.1 引言 |
3.2 基于尺度空间理论的改进EWT算法(SEWT) |
3.2.1 EWT理论 |
3.2.2 尺度空间理论 |
3.2.3 SEWT算法实例验证 |
3.3 振动信号特征矩阵的构建 |
3.4 基于mRMR算法的改进LS特征选择算法(mRMR-LS)及实例验证 |
3.5 本章小结 |
第4章 模式识别方法研究 |
4.1 引言 |
4.2 基于核密度估计的改进DBSCAN算法(KDBSCAN) |
4.2.1 DBSCAN算法 |
4.2.2 非参数核密度估计方法 |
4.2.3 KDBSCAN算法实例验证 |
4.3 基于自然最近邻居算法搜索思想的改进LOF算法(LLOF) |
4.3.1 局部离群因子(LOF)算法 |
4.3.2 自然最近邻居搜索方法 |
4.3.3 LLOF算法实例验证 |
4.4 自适应模糊C均值聚类算法(AFCM) |
4.5 本章小结 |
第5章 面向无标签数据的旋转机械故障诊断算法试验验证 |
5.1 引言 |
5.2 Sm-DLLOF-AFCM算法一般流程 |
5.3 转子系统故障诊断-电主轴 |
5.3.1 电主轴状态监测试验系统 |
5.3.2 电主轴综合试验软件平台开发 |
5.3.3 转子系统故障诊断 |
5.4 轴承故障诊断 |
5.5 齿轮故障诊断 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
个人简介及硕士期间取得的研究成果 |
致谢 |
(6)轮对轴承故障诊断系统开发及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 故障特征提取技术 |
1.2.2 机械设备在线监测技术 |
1.3 本文的主要工作 |
第二章 基于奇异谱分解和统计分析的特征提取方法 |
2.1 引言 |
2.2 经验模态分解 |
2.2.1 本征模态函数 |
2.2.2 EMD算法原理 |
2.2.3 EMD算法的局限性 |
2.3 奇异谱分解 |
2.3.1 轨迹矩阵的定义 |
2.3.2 窗口长度的自适应选择 |
2.3.3 迭代终止条件的设定 |
2.4 仿真分析 |
2.4.1 仿真信号 |
2.4.2 信号分析 |
2.5 特征向量的建立 |
2.5.1 改进的峭度准则重构信号 |
2.5.2 信号特征参量 |
2.5.3 基于统计分析的高敏感特征向量的建立 |
2.6 本章小结 |
第三章 基于SSD-TSVM的轴承故障诊断算法 |
3.1 引言 |
3.2 支持向量机理论 |
3.2.1 感知机模型 |
3.2.2 支持向量机 |
3.2.3 软间隔最大化 |
3.2.4 线性不可分问题 |
3.3 两层支持向量机 |
3.3.1 多层支持向量机算法模型 |
3.3.2 多分类及核函数选择 |
3.3.3 两层支持向量机 |
3.3.4 SSD-TSVM算法故障诊断流程 |
3.4 实验验证 |
3.4.1 实验说明 |
3.4.2 西储公开数据集验证 |
3.4.3 风机轴承数据集验证 |
3.5 本章小结 |
第四章 轮对轴承故障诊断系统及平台设计 |
4.1 引言 |
4.2 轮对轴承故障诊断系统设计 |
4.2.1 硬件总体结构 |
4.2.2 传感器 |
4.2.3 数据采集板卡 |
4.2.4 工控机 |
4.3 轮对轴承故障诊断系统软件平台设计 |
4.3.1 故障诊断平台功能分析 |
4.3.2 数据库分析 |
4.3.3 数据库设计方法 |
4.4 轮对轴承故障诊断实验台的搭建 |
4.5 本章小结 |
第五章 轮对轴承故障诊断系统的软件开发及应用 |
5.1 引言 |
5.2 轮对轴承故障诊断软件开发平台 |
5.3 关键技术研究 |
5.3.1 基于多线程的数据采集技术 |
5.3.2 基于韦伯分布的阈值设定技术 |
5.3.3 基于箱型图的特征参量提取技术 |
5.3.4 基于ADO.NET的数据库访问技术 |
5.4 系统界面开发 |
5.4.1 登录界面开发 |
5.4.2 轮对故障诊断系统主界面 |
5.4.3 参数配置模块开发 |
5.4.4 实时监测模块开发 |
5.4.5 振动分析模块开发 |
5.4.6 声音分析模块开发 |
5.4.7 模型训练模块开发 |
5.4.8 诊断报告模块开发 |
5.5 现场轮对轴承数据采集和分析 |
5.5.1 数据采集时间段分析 |
5.5.2 轮对基本信息和测点位置 |
5.5.3 数据采集及分析 |
5.6 本章小结 |
主要结论与展望 |
主要结论 |
展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间发表的论文 |
(7)面向石化机组故障诊断的互无量纲与深度学习研究及应用(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题来源 |
1.2 课题研究背景和意义 |
1.3 国内外研究现状 |
1.3.1 人工智能的轴承故障诊断研究现状 |
1.3.2 基于卷积神经网络的故障诊断现状 |
1.3.3 基于循环神经网络的故障诊断现状 |
1.3.4 基于迁移学习的故障诊断现状 |
1.4 本文的研究内容 |
1.4.1 基于时间序列编码与卷积神经网络的故障诊断方法 |
1.4.2 基于经验模态分解与互无量纲的故障诊断方法 |
1.5 论文安排 |
2 本文理论 |
2.1 深度学习 |
2.1.1 卷积神经网络 |
2.1.2 循环神经网络 |
2.1.3 迁移学习 |
2.2 时间序列编码 |
2.2.1 极坐标映射原理 |
2.2.2 Gram矩阵转换 |
2.2.3 惩罚函数推导 |
2.3 互无量纲理论 |
2.3.1 无量纲指标定义 |
2.3.2 互无量纲指标定义 |
2.4 经验模态分解 |
2.4.1 经验模态分解 |
2.4.2 集成经验模态分解 |
2.4.3 互补集成经验模态 |
2.5 本章小结 |
3 基于时间序列编码与深度学习的故障诊断算法研究 |
3.1 引言 |
3.2 时间序列在极坐标的双向映射研究 |
3.2.1 时间序列编码数据预处理 |
3.2.2 时间序列编码故障图片转换 |
3.3 基于时间序列编码与卷积神经网络算法研究 |
3.3.1 卷积神经网络模型选择 |
3.3.2 卷积神经网络模型设计 |
3.3.3 时间序列编码与卷积神经网络结合算法实现 |
3.4 基于时间序列编码与循环神经网络算法研究 |
3.4.1 循环神经网络模型选择 |
3.4.2 循环神经网络模型设计 |
3.4.3 时间序列编码与循环神经网络结合算法实现 |
3.5 实验环境与结果讨论 |
3.5.1 实验环境与步骤 |
3.5.2 深度学习模型实验结果 |
3.5.3 实验对比 |
3.5.4 实验讨论 |
3.6 本章小结 |
4 基于经验模态与互无量纲理论的故障诊断算法研究 |
4.1 引言 |
4.2 基于互无量纲指标与Gram矩阵的故障诊断算法 |
4.2.1 互无量纲指标参数提取与设计 |
4.2.2 类Gram的高斯噪音处理 |
4.2.3 实验环境与步骤 |
4.2.4 实验对比 |
4.2.5 实验讨论 |
4.3 基于经验模态与互无量纲指标的故障诊断算法 |
4.3.1 互补集成经验模态的数据预处理 |
4.3.2 模态互无量纲与互无量纲的可视化研究 |
4.3.3 基于迁移学习的故障诊断算法研究 |
4.3.4 实验环境与步骤 |
4.3.5 实验对比 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间取得的研究成果 |
学位论文数据集表 |
(8)基于数字成像和图像处理的转速和振动测量研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 转速测量方法概述 |
1.3 振动测量方法概述 |
1.4 基于图像传感器的转速和振动测量研究现状 |
1.5 现有视觉测量方法的局限性 |
1.6 研究内容 |
1.7 论文组织结构 |
第2章 基于图像传感器的测量系统设计 |
2.1 测量系统概述 |
2.2 系统硬件设计 |
2.2.1 转子试验台 |
2.2.2 光源 |
2.2.3 图像传感器 |
2.2.4 光学镜头 |
2.2.5 标记的设计 |
2.2.6 计算机系统 |
2.3 视觉测量软件设计 |
2.4 成像几何基础 |
2.4.1 坐标系的定义 |
2.4.2 相机透视投影模型 |
2.5 相机标定 |
2.5.1 图像平面与平面标定板的映射矩阵 |
2.5.2 求解摄像机参数 |
2.6 本章小结 |
第3章 基于图像序列相似度的转速和振动测量 |
3.1 基于图像序列相似度的转速测量 |
3.1.1 转速测量原理 |
3.1.2 图像相似度评价 |
3.1.3 图像预处理 |
3.1.4 转速计算 |
3.2 基于图像相似度的振动测量 |
3.3 不同算法的实验对比 |
3.3.1 相似性评估算法(CORR2、SSIM和VIF)比较 |
3.3.2 频率估计算法CZT与PIAC的比较 |
3.4 本章小结 |
第4章 基于二维码标记跟踪的转速测量 |
4.1 基于二维码的转速测量机理 |
4.2 二维码检测 |
4.2.1 尺度不变特征变换 |
4.2.2 加速稳健特征 |
4.2.3 AKAZE特征 |
4.3 转速计算 |
4.4 本章小结 |
第5章 视觉测量系统实验测试 |
5.1 基于图像相似度的转速测量 |
5.1.1 实验装置 |
5.1.2 实验结果与分析 |
5.2 基于图像相关的振动测量实验 |
5.2.1 实验装置 |
5.2.2 实验结果与分析 |
5.3 基于二维码跟踪的转速测量实验 |
5.3.1 实验装置 |
5.3.2 实验结果与分析 |
5.4 视觉测量的现场应用 |
5.4.1 风力发电机的转速和振动测量 |
5.4.2 工业电机转轴的转速测量 |
5.5 本章小结 |
第6章 视觉测量系统的影响因素研究 |
6.1 帧速率 |
6.2 图像分辨率 |
6.3 曝光时间 |
6.4 拍摄角度 |
6.5 光照条件 |
6.6 标记设计 |
6.7 本章小结 |
第7章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(9)旋转机械振动源响应的净化及故障演化跟踪(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 分源监测的研究现状 |
1.2.2 信噪分离方法的研究现状 |
1.2.3 故障演化跟踪的研究现状 |
1.3 研究内容与结构安排 |
2 多种信号分解方法的净化性能 |
2.1 多种信号分解方法的工作原理 |
2.1.1 局部均值分解 |
2.1.2 匹配追踪 |
2.2 多种信号分解方法的净化性能 |
2.2.1 对含局部噪声混合信号的净化性能 |
2.2.2 对含高斯噪声混合信号的净化性能 |
2.2.3 对含低频正弦成分混合信号的净化性能 |
2.3 本章小结 |
3 基于多层分解的旋转机械振动源响应净化方法 |
3.1 多层信号分解方法净化性能分析 |
3.1.1 双层分解方法 |
3.1.2 三层及四层分解方法 |
3.2 振动源响应的净化原理 |
3.2.1 振动源响应的共有成分及其选择 |
3.2.2 改进的振动源响应共有成分选择方法 |
3.2.3 实测信号验证 |
3.3 SSA+MP+RSSD三层分解的振动源响应净化方法 |
3.3.1 SSA+MP+RSSD三层分解方法 |
3.3.2 实测信号验证 |
3.4 本章小结 |
4 基于特征融合的故障演化跟踪方法 |
4.1 滚动轴承故障特征提取 |
4.1.1 时域统计特征 |
4.1.2 频域统计特征 |
4.1.3 时频域统计特征 |
4.1.4 熵特征 |
4.2 滚动轴承故障特征的选择 |
4.2.1 单调性选择 |
4.2.2 冗余特征去除 |
4.3 基于SOM的特征融合 |
4.3.1 SOM算法原理 |
4.3.2 特征融合 |
4.4 实测信号验证 |
4.5 本章小结 |
5 基于多时间尺度相空间曲变的故障演化跟踪方法 |
5.1 相空间曲变理论 |
5.2 多时间尺度相空间曲变计算过程 |
5.3 改进的故障演化信息提取方法 |
5.4 实测信号验证 |
5.4.1 旋转机械振动源响应的净化 |
5.4.2 旋转机械故障演化跟踪 |
5.5 本章小结 |
6 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(10)基于时频分析的齿轮箱故障诊断技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题概述 |
1.1.1 课题来源 |
1.1.2 课题背景与研究意义 |
1.2 国内外相关工作研究进展 |
1.2.1 阶次分析技术研究现状 |
1.2.2 时频分析技术研究现状 |
1.3 论文的研究内容及安排 |
1.3.1 主要研究内容 |
1.3.2 论文结构安排 |
2 齿轮故障机理与时频分析方法研究 |
2.1 齿轮箱主要零部件故障分类 |
2.1.1 齿轮故障 |
2.1.2 轴承故障 |
2.1.3 传动轴故障 |
2.2 齿轮故障特征频率计算 |
2.2.1 齿轮分布式故障特征频率 |
2.2.2 齿轮局部式故障特征频率 |
2.3 齿轮箱故障振动信号模型 |
2.3.1 太阳轮故障振动信号模型 |
2.3.2 行星轮故障振动信号模型 |
2.3.3 齿圈故障振动信号模型 |
2.4 传统时频分析方法研究 |
2.4.1 线性时频分析方法 |
2.4.2 双线性时频分析方法 |
2.4.3 参数化时频分析方法 |
2.5 本章小结 |
3 最优窗函数Gabor变换时频分析方法研究 |
3.1 FrFT变换及滤波原理 |
3.1.1 Fr FT原理 |
3.1.2 寻找最优变换阶次p_0 |
3.1.3 Fr FT与 Gabor变换的联系 |
3.2 分数域最优窗函数确定 |
3.2.1 广义时间带宽积 |
3.2.2 确定最优窗函数 |
3.3 算法流程 |
3.4 仿真分析 |
3.5 试验与工程信号分析 |
3.5.1 实验设置 |
3.5.2 太阳轮断齿故障分析 |
3.5.3 行星轮缺齿故障分析 |
3.5.4 正常齿轮分析 |
3.6 本章小结 |
4 基于瞬时频率估计的阶次分析方法研究 |
4.1 阶次分析研究 |
4.1.1 阶次分析原理 |
4.1.2 无键相阶次分析研究 |
4.2 瞬时频率估计方法研究 |
4.2.1 相位差分法 |
4.2.2 过零点法 |
4.2.3 希尔伯特—黄方法 |
4.2.4 时频分析法 |
4.3 基于瞬时频率估计的阶次分析方法 |
4.3.1 仿真分析 |
4.3.2 实验分析 |
4.4 本章小结 |
5 齿轮箱状态监测与故障诊断系统开发 |
5.1 硬件环境 |
5.1.1 传感器 |
5.1.2 采集卡 |
5.2 软件开发环境 |
5.2.1 LabVIEW |
5.2.2 Math Script |
5.3 齿轮箱状态监测与故障诊断系统 |
5.3.1 登录与账号管理功能 |
5.3.2 信号采集功能 |
5.3.3 计算特征频率 |
5.3.4 基本分析功能 |
5.3.5 时频分析功能 |
5.3.6 阶次分析功能 |
5.3.7 数据传输功能 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
四、旋转机械状态监测与故障诊断系统(论文参考文献)
- [1]基于多维监测的风电齿轮箱动态预警及应用研究[D]. 杨彦军. 沈阳工业大学, 2021(02)
- [2]旋转机械故障信息挖掘及状态评估方法研究[D]. 刘东东. 北京交通大学, 2021
- [3]基于瞬时相位信息的RV减速器基础部件故障诊断方法研究[D]. 周远远. 安徽理工大学, 2021
- [4]旋转机械运行安全在线监测系统的研究与开发[D]. 张树涛. 兰州理工大学, 2021(01)
- [5]面向无标签数据的旋转机械故障诊断方法研究[D]. 张志成. 吉林大学, 2021(01)
- [6]轮对轴承故障诊断系统开发及应用[D]. 汤天宝. 江南大学, 2021(01)
- [7]面向石化机组故障诊断的互无量纲与深度学习研究及应用[D]. 李春林. 广东技术师范大学, 2021
- [8]基于数字成像和图像处理的转速和振动测量研究[D]. 王天宇. 华北电力大学(北京), 2021
- [9]旋转机械振动源响应的净化及故障演化跟踪[D]. 张传飞. 北京交通大学, 2021(02)
- [10]基于时频分析的齿轮箱故障诊断技术研究[D]. 胡瑞杰. 大连理工大学, 2021(01)