收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于多特征融合及深度信念网络的轴承故障诊断

胡永涛  
【摘要】:轴承是旋转机械的重要组成部分,轴承故障诊断对保障机械设备安全、稳定运行具有重要意义。论文针对机械故障振动信号非平稳性、非线性等复杂特征,提出一种基于多特征融合及深度信念网络的轴承故障诊断方法。首先,研究了基于双树复小波(Dual-Tree Complex Wavelet Transform,DTCWT)的轴承故障特征提取方法。指出DTCWT具有平移不变性和抑制频率混叠的优良特性,能够对机械振动信号进行有效分解。通过对不同位置损伤的轴承进行故障诊断实验,结合模糊C均值(Fuzzy C-Means,FCM)聚类实现轴承故障诊断,验证该方法提取轴承故障特征的有效性。其次,研究基于MMEMD的轴承故障特征提取方法。针对EMD模态混叠,提出了其改进算法多重屏蔽经验模态分解(Multi-Masking Empirical Mode Decomposition,MMEMD)。并通过仿真实验表明MMEMD能够有效解决EMD模态混叠问题,有利于轴承振动信号分解。结合支持向量机,对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,实现轴承故障诊断,验证该方法提取轴承故障特征的有效性。再次,研究了基于VMD的轴承故障特征提取方法。VMD采用变分框架解决了EMD模态混叠问题,同时能够实现信号滤波,有利于轴承故障特征提取。结合支持向量机对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,实现轴承故障诊断,验证了基于VMD的轴承故障特征提取方法的有效性。然后,针对机械故障模式识别问题,设计了基于深度信念网络(Deep Belief Network,DBN)的小样本分类器。通过对Iris数据集进行分类,验证了其在小样本分类中具有较高的分类准确率和稳定性。将其与VMD样本熵结合用于轴承故障诊断中,对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,验证其在轴承故障诊断模式识别中的有效性。最后,将多特征与DBN结合,进行轴承故障诊断应用。首先对轴承振动信号进行FCM聚类分析,初步确定是否存在故障,并确定少数样本的标签。然后提取DTCWT样本熵、MMEMD能量熵和VMD样本熵,并通过主成分分析(Principal Component Analysis,PCA)方法将三种轴承故障特征进行融合,得到轴承故障融合特征。最后经DBN小样本分类器分类,将故障进行分类,并通过时频分析方法确定轴承故障类型,实现故障诊断。对轴承正常状态、不同位置和不同程度损伤共10种状态进行故障诊断实验,验证其在轴承故障诊断中的有效性。将其用于风电机组轴承故障诊断,验证其实用价值。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 姜建国,苏鹏声,邱阿端,汪庆生,杨秉寿;电机故障特征提取方法二则[J];中国电机工程学报;1992年05期
2 陈岳东,屈梁生;回转机械的故障特征提取与分类[J];机械工程学报;1994年S1期
3 高正明;何彬;赵娟;裴永泉;左广霞;;常用故障特征提取方法[J];机床与液压;2009年12期
4 李兆飞;柴毅;李华锋;;多重分形的振动信号故障特征提取方法[J];数据采集与处理;2013年01期
5 韩立静;徐金梧;阳建宏;黎敏;;基于灰度击中击不中变换的故障特征提取方法[J];北京科技大学学报;2012年07期
6 李三平,杨立芳,杨立功;铁路货车轴承故障诊断方法[J];轴承;2000年09期
7 ;轴承故障诊断有了“透视镜”[J];机电设备;2001年06期
8 薛松;程珩;杨勇;;伪Wigner-Ville分布在电机轴承故障诊断中的应用[J];机械工程与自动化;2008年04期
9 赵志宏;杨绍普;;一种基于样本熵的轴承故障诊断方法[J];振动与冲击;2012年06期
10 李辉,宋智勇,孙丰瑞;基于小波包-包络分析的故障特征提取方法[J];振动、测试与诊断;2003年04期
11 李学军;廖传军;褚福磊;;适于声发射信号故障特征提取的小波函数[J];机械工程学报;2008年03期
12 梅检民;肖云魁;贾继德;赵慧敏;陈祥龙;乔龙;;基于改进阶比的变速器微弱故障特征提取[J];振动工程学报;2012年03期
13 任立通;胡金海;谢寿生;王磊;苗卓广;;基于随机共振预处理的振动故障特征提取研究[J];振动与冲击;2014年02期
14 黄晋英;潘宏侠;毕世华;杨喜旺;;基于高阶累量谱的轴承故障诊断[J];火炮发射与控制学报;2007年02期
15 陶新民;徐晶;刘兴丽;刘玉;;基于最大小波奇异谱的轴承故障诊断方法[J];振动、测试与诊断;2010年01期
16 乔世民;轴承故障诊断技术的发展[J];中国设备管理;1989年01期
17 李正安,李登啸;单片机轴承故障诊断系统[J];轴承;1992年03期
18 杨望灿;张培林;张云强;;基于邻域自适应局部保持投影的轴承故障诊断模型[J];振动与冲击;2014年01期
19 朱文来;;希尔伯特-黄变换在轴承故障诊断中的应用研究[J];科技创新导报;2013年34期
20 陈长征,罗跃纲,张省,虞和济;基于小波分析的机械故障特征提取研究[J];机械强度;2001年01期
中国重要会议论文全文数据库 前10条
1 任获荣;马亚男;李胜刚;;熵随机共振在轴承故障诊断中的应用研究[A];2012年陕西省焊接学术交流会论文集[C];2012年
2 赵志宏;杨绍普;;一种基于ICA的机械故障特征提取方法[A];机械动力学理论及其应用[C];2011年
3 李琳;张永祥;童艳;;基于声发射和高阶谱分析的滚动轴承故障诊断[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年
4 潘宏侠;黄晋英;毛鸿伟;刘振旺;;基于粒子群优化的故障特征提取技术研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年
5 高耀智;谭援强;;基于1(1/2)谱与小波分析相结合的滚动轴承故障诊断[A];2009年全国青年摩擦学学术会议论文集[C];2009年
6 陶新民;徐晶;杜宝祥;徐勇;;基于相空间奇异谱的SOM轴承故障诊断模型[A];第二十七届中国控制会议论文集[C];2008年
7 朱启兵;杨慧中;;基于卷积型小波包奇异值分解的齿轮故障特征提取[A];第二十七届中国控制会议论文集[C];2008年
8 乔文生;陈兴辉;艾士娟;胡北;赵恒;;基于小波包和BP神经网络的滚动轴承故障诊断[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年
9 李培玉;刘光明;郑俊;;基于多通道振动信号的港机台车车轮轴承故障诊断系统[A];第九届全国振动理论及应用学术会议论文集[C];2007年
10 李培玉;刘光明;郑俊;;基于多通道振动信号的港机台车车轮轴承故障诊断系统[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年
中国博士学位论文全文数据库 前10条
1 胡永涛;基于多特征融合及深度信念网络的轴承故障诊断[D];燕山大学;2017年
2 蒋超;基于EEMD与MED的冲击信号自适应故障特征提取方法[D];上海大学;2016年
3 程发斌;面向机械故障特征提取的混合时频分析方法研究[D];重庆大学;2007年
4 冯坤;基于内积变换的机械故障特征提取原理与早期识别方法研究[D];北京化工大学;2012年
5 李加庆;基于声全息的故障特征提取技术研究[D];上海交通大学;2008年
6 赵玲;旋转机械系统故障特征提取中的分形方法研究[D];重庆大学;2010年
7 陈建国;基于独立分量分析的机械故障特征提取及分类方法研究[D];大连理工大学;2011年
8 梁瑜;地铁列车轴承故障诊断及在途诊断系统研究[D];北京交通大学;2014年
9 李兆飞;振动故障分形特征提取及诊断方法研究[D];重庆大学;2013年
10 鞠萍华;旋转机械早期故障特征提取的时频分析方法研究[D];重庆大学;2010年
中国硕士学位论文全文数据库 前10条
1 薄瑞瑞;基于LMD的振动信号处理及故障特征提取研究[D];内蒙古大学;2015年
2 凡非龙;旋转机械故障诊断与现场动平衡系统研发[D];浙江大学;2015年
3 屈红伟;基于LMD的故障特征提取方法及动平衡技术研究[D];北京化工大学;2015年
4 李岭阳;基于非线性分析的故障特征提取及识别方法研究[D];北京化工大学;2016年
5 沈金理;机械装备连接松动故障特征提取方法的研究[D];东华大学;2013年
6 吴治南;基于小波变换与PNN神经网络相结合的滚动轴承故障诊断[D];河北工程大学;2015年
7 赵江萍;滚动轴承故障诊断系统设计[D];中国计量学院;2015年
8 黄文静;基于多特征量提取和PSO优化神经网络的轴承故障诊断[D];燕山大学;2016年
9 欧阳贺龙;基于全矢谱的风电轴承故障诊断[D];郑州大学;2016年
10 张涛;机车轴承故障诊断系统的研究与设计[D];中南大学;2005年
中国重要报纸全文数据库 前1条
1 通讯员 蔡义杰 记者 唐先武;轴承故障诊断有了“透视镜”[N];科技日报;2001年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978