一、典型故障频谱的分析(论文文献综述)
赫修智[1](2021)在《齿轮箱关键部件故障振动特征提取与分析》文中指出齿轮箱作为机械设备中传递动力和运动的关键组成部分,已经被广泛应用于航空航天、风力发电、轨道交通、汽车、轮船和工程机械等诸多现代工业领域。开展齿轮箱故障诊断研究,对保障机械设备的运行安全、提高工业生产效率、避免经济损失和灾难性生产事故具有极其重要的现实意义。齿轮箱振动信号是其运行状态及故障信息的优良载体,基于振动信号处理技术的故障特征有效提取是齿轮箱故障诊断研究中最为关键且困难的问题之一,直接关系着诊断结果的准确性。然而,齿轮箱在运行过程中会受到外部随机干扰的影响,加之同时或级联发生的多个故障之间存在相互影响,当多个故障的振动强弱不平衡时,微弱故障特征很容易被干扰噪声和强故障成分淹没,从而导致漏诊或误诊。因此,如何在噪声干扰下实现齿轮箱故障振动特征的有效提取是当前齿轮箱故障诊断领域的难点问题,也是本文要解决的核心问题。本文以齿轮箱关键部件即齿轮和滚动轴承为主要对象,深入研究了在随机冲击和强循环平稳成分等噪声干扰下,基于自适应信号分解、信号解调分析和自适应噪声消除的齿轮箱关键部件故障振动特征提取方法。主要研究内容如下:(1)结合齿轮和滚动轴承的结构特点,通过建立齿轮和滚动轴承的数学模型及齿轮动力学模型,分析齿轮和滚动轴承的振动产生机理及典型故障形式,对不同类型故障产生的振动信号特征进行总结,并着重分析齿轮和滚动轴承出现局部冲击故障时的振动响应特点,为本文提出的故障特征提取方法的研究奠定理论基础。(2)研制齿轮箱故障试验系统,采用自行设计的被试齿轮箱模拟齿轮齿根裂纹故障和齿面剥落故障,在不频繁拆装的前提下实现齿轮单故障和多故障振动试验。此外,对现有齿轮和滚动轴承故障试验台进行介绍,为本文提出的故障振动特征提取方法的试验验证提供有效的数据支撑。(3)针对以变分模态分解为核心的信号分解方法在提取滚动轴承故障振动特征时容易出现模态冗余、故障特征频率混合以及漏诊等问题,提出一种基于参数自适应优化选取的变分模态分解(AVMD)方法。基于相关系数和包络功率谱峭度构建用于衡量冲击故障成分的融合冲击指数(SII),在其基础上构造优化目标函数,同时引入人工蜂群优化算法,实现滚动轴承故障振动特征的自适应提取。与现有方法相比,AVMD具有明确的参数选取依据,可以在噪声干扰下有效分离并提取出滚动轴承外圈和内圈故障振动特征,且能以较低的运算成本取得较为显着的故障特征提取结果。(4)针对随机冲击干扰和多个故障振动强弱不平衡情况下无法有效实现齿轮故障振动特征解调提取的问题,提出一种具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram)。以对数包络、自相关函数和滑动平均过程为基础,提出用于齿轮故障信号解调的对数包络自谱,并构建用于量化不同尺度频带内故障特征成分的循环频率指数,从而提出一种用于变尺度解调频带选取的LEASgram方法。该方法可以解决传统盲识别谱图类解调频带选取方法在提取多个齿轮故障振动特征时容易出现误诊和漏诊的问题,能够削弱随机冲击和强故障循环平稳成分的干扰,实现多个齿轮故障振动特征的针对性提取。(5)针对齿轮微弱故障振动特征易受强循环平稳成分干扰的问题,提出一种基于改进自参考自适应噪声消除(MSANC)的齿轮故障振动特征增强与提取方法。通过引入基于可变收敛因子的自适应算法,结合人工蜂群优化算法以及基于信号谱正交性构造的优化目标函数,提出用于分离齿轮冲击故障振动成分和啮合振动成分的MSANC方法,可以克服传统方法需根据人为经验和多次反复试验选取参数而造成的盲目性和不确定性问题,能够极大地提高自适应噪声消除技术的可应用性和便捷性。根据MSANC的滤波特性,将其与快速谱相关和多点最优最小熵解卷积进行有机结合,提出一种齿轮故障振动特征增强与提取方法,从而在强循环平稳成分和随机冲击等干扰下,无需先验故障特征频率信息,实现齿轮故障振动特征的全局性提取。
张志成[2](2021)在《面向无标签数据的旋转机械故障诊断方法研究》文中提出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。
白永亮[3](2021)在《城轨列车轮对-轴箱故障表征与解耦算法研究》文中研究指明轮对-轴箱系统作为城轨列车关键走行部机构,其健康服役状态对于列车安全高效运营具备重要意义。在轮对-轴箱系统产生故障后,轻则检修维护费用增加,重则引起行车安全事故,而复杂机械耦合结构使得故障特征非线性强,很难直接通过振动信号进行故障表征,在系统故障耦合严重的条件下,故障特征混淆难以提取。因此,对轮对-轴箱系统进行有效地监测表征与解耦诊断研究,是维护城轨列车安全服役状态的重要环节,也是城轨列车避免经济损失及安全事故的重要保障。针对传统算法在城轨列车轮对-轴箱故障表征中存在的非线性表征困难、先验知识依赖程度高等不足,本文基于城轨列车轮对-轴箱故障模式及振动特点,探讨了统计特征级故障表征原理,并在此基础上提出了基于频域特性的频域信号二维表征算法、复合故障解耦算法及仅基于振动信号解耦的城轨列车速度估计算法。针对统计特征级故障表征方法,挑选了敏感统计特征进行振动表征,并利用多状态试验台数据进行验证。首先对多状态轮对-轴箱故障进行机械模式及信号特征的分析,分别对轮对故障、轴承故障以及复合故障的机械振动模式及相应信号特点进行说明;其次,选择多个时域及频域统计特征,综合分析故障模式、速度等级、特征类型等因素在故障状态表征方面的敏感程度,并通过等比例实验台进行多状态故障模拟,将时域、频域统计特征归一化后进行同尺度对比分析,得出结论:对于轮对-轴箱故障状态区分度而言,频域特征普遍优于时域特征,并且进一步分析了敏感频域统计特征对多状态轮对-轴箱故障的表征能力。针对传统振动信号图像表征算法智能化程度不足且依赖于先验知识的问题,提出了基于频域Gram矩阵角度场的二维表征算法。首先,分析传统Gram矩阵表征方法对旋转机械周期性冲击信号表征能力的不足,对时域表征过程进行数学推导;其次,基于频域特征对轮对-轴箱多状态故障表征能力强的特点,提出频域Gram算法,将故障振动频域信号作为输入进行角度场转化,并利用Gram矩阵的相关性提取能力,提取频域冲击相关作为二维图像特征,实现轮对-轴箱多状态故障图像表征;最后,基于迁移学习算法实现频域Gram矩阵角度场表征智能故障诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征诊断有效性。针对经典振动信号表征算法依赖于人工经验的不足,提出了基于频谱Markov转移场的表征算法。首先,分析推导传统时域Markov转移场算法对系统状态动态转移概率的提取能力,说明经典算法对于轮对-轴箱故障表征能力不足的原因;其次,提出针对频谱信号的Markov状态转移场表征算法,统计振动频谱的状态转移概率并进行矩阵化,实现频谱特征的统计场分析及二维图像化表征;最后,基于小样本数据输入的迁移学习网络,实现频谱Markov转移场表征的智能诊断。通过等比例试验台数据,验证了所提算法对于轮对故障、轴箱轴承故障以及复合故障的表征与诊断有效性。针对轮对-轴箱复合故障中故障耦合导致的特征难以提取的问题,提出了基于双轴振动的辛几何模态分解-互近似熵解耦算法。首先,推导了辛几何模态分解的算法原理,证明该算法对于复杂信号具有优秀的解耦能力;其次,分析了垂向与轴向双轴信号在轮对-轴箱状态表征中的重要作用,提出了基于双轴振动信号的辛几何分解-互近似熵重构的复合故障解耦算法;最后,利用双轴辛几何模态解耦算法对垂向及轴向振动信号进行了故障特征提取效果对比。通过等比例试验台数据,验证了所提算法对于轮对-轴箱复合故障的解耦与诊断优越性。针对城轨列车轮对-轴箱故障诊断中车速测量系统复杂且依赖于轮径值的问题,提出了基于解耦处理与相关分析的仅依靠振动信号的车速估计算法,并进行基于速度估计的轴箱轴承故障特征频率计算,实现轴箱轴承故障诊断。首先,进行了针对轴箱振动信号的解耦分析,在基于最大峭度原则实现分量选择后,利用自相关函数提取固定距离周期性冲击,从而实现城轨列车速度估计;其次,进行了国内某地铁线路实车振动信号与车速信息的采集,通过所提车速估计算法与司机室显示车速的对比,验证了该车速估计算法的可靠性;最后,采集了某地铁线路车辆轴箱振动信号,并基于该实测信号进行了车速估计,计算相应的轴承故障特征频率实现轴承故障诊断,以此说明该速度估计算法的实用性与优越性。研究成果能够为城轨列车轮对-轴箱系统故障分析与诊断提供算法依据,对城市轨道交通装备的维保有积极意义。图89幅,表12个,参考文献188篇。
陈欣安[4](2021)在《复杂工况下列车轴承故障预警与诊断方法》文中认为研究轴承的故障预警与诊断技术,对保障机械设备安全可靠及预防突发事故具有十分重要的意义。本文从工程实际需求出发,以轴承的振动信号为研究对象,研究小波包分解、经验模态分解、谱峭度、可视图变换、谱编码等信号处理方法及其对早期微弱故障、强背景噪声下、变工况下特征提取中的应用,在此基础上,结合增量支持向量数据描述、K最近邻、多标签K最近邻、半监督分类等机器学习算法,实现故障预警及复杂场景下的故障诊断。论文主要研究内容有:(1)综合多种信号处理方法的特征,提出了一种面向旋转机械振动信号特征提取的一般架构,为构建旋转机械振动信号特征提取方法提供了一种新思路。(2)针对滚动轴承早期微弱故障难以提取,提出了基于小波包滤波与谱编码的早期故障特征提取方法。该方法将峭度指标引入小波包分解分量的选取中,以选取分量中包含故障成分的信号,再对多个信号的平方包络谱做平均,进一步抑制随机成分的影响。然后,选取频谱中转频及故障特征频率处的幅值组成特征向量。针对仅有正常样本的故障辨识问题,提出了一种基于增量式支持向量数据描述(increment-Support-Vector-Data-Description,inc-SVDD)在线状态辨识方法。轴承全寿命周期实验结果表明,基于小波包滤波与谱编码特征提取方法能有效提取轴承早期故障特征,基于增量式支持向量数据描述的模型能适应具有不同寿命长度的轴承早期故障预警。(3)针对强噪声引起的故障特提取难的问题,提出了结合经验模态分解滤波方法与tile-coding谱编码的特征提取方法,将峭度与相关系数融合成的指标引入到分量的选取中,达到选取包含故障成分分量的目的。平均若干选取信号的平方包络谱,进一步抑制频谱中的随机成分。然后,利用基于tile-coding的谱编码方法对频谱进行编码,在尽可能保留谱信息的同时达到数据降维的目的。不同信噪比下实验表明,该方法能有效提取强噪声背景下的故障特征。(4)针对变工况引起的特征提取难的问题,提出了一种对变工况不敏感的可视图特征提取方法,将振动信号转化为可视图信号,并提取可视图的相关特征作为振动信号的特征,仿真实验结果表明该方法对变工况具有较好的鲁棒性。针对类别样本不平衡的训练数据造成分类器对少数类样本识别率低的问题,提出了一种改进的半监督分类算法,利用双变量的目标函数与规范化标签变量来平衡类别的影响,提高少数类样本在模型训练中的权重,从而提升少数类样本分类准确率。实验结果验证了所提方法的有效性和优越性。(5)针对轴承故障与转子不平衡并发的故障场景,提出了一种基于谱峭度滤波和对数tile-coding谱编码的特征提取方法,该方法利用谱峭度方法提取包含故障成分的分量,利用对数tile-coding谱编码提高低频段转子不平衡特征的辨识度及将谱信息编码成特征向量。通过分析轴承振动信号的谱信息,说明该特征提取方法能有效提取并发故障特征,并通过K最近邻算法进一步验证了特征提取模型有效性。针对并发故障间存在相关性、耦合性等问题,提出了一种基于多标签分类的并发故障诊断算法,并通过轴承与转子不平衡实验数据与常用算法进行了对比,结果证明了所提方法在并发故障诊断中具有明显的优势。
柴娜[5](2021)在《伺服电机系统传动链典型故障诊断技术研究》文中指出伺服电机系统传动链广泛应用于风力发电、数控机床、重型机械等领域,但实际场合中由其故障带来的设备不能正常运转的现象屡见不鲜。近年来,“智能制造工程”的推进对设备的可靠性及安全性提出了更高要求,可以说电机系统传动链健康监测及故障辨识能力已成为下一代高档伺服驱动器的显着标志之一。因此,故障诊断与健康维护技术也迎来了新的发展契机。基于电机驱动系统的诊断方法,利用电机驱动器自身作为智能传感器,通过驱动系统获得的电流、电机转速、辨识得到的机械参数等信号作为故障载体,实现对电机系统传动链运行状态的监测及诊断,是该领域最新的研究热点。该方法无需额外安装传感器,可以有效降低成本;同时,基于电机驱动系统的诊断方法属于无介入式的故障诊断方法,不会损害设备,更不会影响其可靠性及使用寿命。本论文针对电机系统传动链三大典型故障——传动齿轮、电机轴承、电机安装不对中进行系统性研究,旨在充分挖掘基于电机驱动系统的诊断方法潜力。从稳态下最优故障载体选取、故障特征提取优化、不依赖于健康数据的故障判断等关键技术入手,改善基于电机驱动系统诊断方法的性能;并将诊断算法扩展到位域下,实现暂态条件下的电机系统传动链故障诊断,进一步提升其工业应用价值。具体研究内容包括:针对基于电机电流特征分析法(Motor Current Signature Analysis,MCSA)的齿轮局部式故障诊断中故障特征提取这一难点,本论文提出了基于人工蜂群算法的双重参数优化共振稀疏分解(Resonance-Based Sparse Signal Decomposition,RSSD)方法。在建立电机、齿轮一体化机电系统模型的基础上,分析了齿轮局部式故障对电机相电流的影响。针对故障特征分量受电流基波、啮合频率等相关分量的复合调制存在于不同频带范围内这一问题,提出了相电流共振稀疏分解方法来提取故障特征。与此同时,为了避免人为选取RSSD参数的影响,提出了基于人工蜂群算法(Artificial Bee Colony,ABC)的双重参数优化方法,进一步改善MCSA齿轮局部式故障诊断的效果,扩大算法有效的适用范围。在实验室搭建典型的断齿故障诊断平台,验证了算法的有效性。为了提高较为微弱的电机本体轴承局部式故障的诊断效果,开展故障载体选取、故障特征提取、驱动算法预处理方案的研究。从故障载体的角度出发,建模分析MCSA及电机转速特征分析法(Motor Speed Signature Analysis,MSSA)轴承局部式故障诊断的机理。在此基础上,采用谱峭度方法提取轴承局部式故障带来的高频冲击分量,并在实验室搭建的轴承裂纹诊断平台上对二者进行综合对比。实验结果与理论分析一致,即MSSA性能优于MCSA,故选取MSSA进行后续研究。提出了基于集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)的自适应信号重构方法,对传统谱峭度算法进行了改进,实现了转速降噪,进一步改善MSSA轴承局部式故障诊断的性能。最后,针对电流采样误差等其它故障带来的周期性转速脉动分量降低了MSSA信噪比这一问题,提出了结合驱动算法的预降噪方案,利用改进的驱动算法实现了对噪声分量的主动抑制。针对安装不对中故障往往发生在初始安装环节、无健康数据参照这一问题,提出了基于MSSA的电机初始安装不对中检测方法。首先建模分析平行不对中、角度不对中故障对电机转速信号的影响。在此基础上,采用模型系数辨识方法提取转速信号中由不对中故障带来的周期性脉动分量,避免了由非同步采样引起的FFT结果不准确问题。接着,分析安装不对中故障特征分量随电机转速变化的规律,将该变化规律与故障分量占比等指标相结合,实现了基于MSSA的不依赖于健康数据的初始安装不对中故障检测及类型判断。最后,通过仿真与实验,验证了初始安装不对中故障诊断技术的有效性。针对暂态过程中故障特征分量失去重复性导致常规诊断算法失效的问题,在位域下对三种典型故障的诊断算法进行了研究,并按算法复杂性展开。首先分析了暂态下常规方案失效的机理,并利用故障特征始终是角度周期性函数这一特点,研究位域重采样算法以恢复故障特征的周期性。在此基础上,针对暂态齿轮故障诊断,开展位域运动误差信号同步平均方案的研究;结合转速阶比谱分析,诊断安装不对中故障;并对谱峭度算法进行改进,提出阶谱峭度方法,实现了暂态下的轴承故障诊断。在各故障诊断平台上进行暂态过程实验测试,验证了所提方案的有效性,成功实现了暂态运行条件下的故障特征提取。
魏晓斌[6](2020)在《基于小波变换的离心泵典型故障振动信号分析研究》文中认为离心泵具有扬程适用范围广,结构简单,运转可靠,维修方便等诸多优点,因此被广泛用于工农业生产。在实际应用中,当工作点偏离设计工况,或机组本身存在故障等情况,常常会导致振动增加、效率下降。分析离心泵振动特性,对提高水泵机组安全经济运行具有重要意义。由于水泵振动诱因较多,外在特征与内在机理复杂。为此,以空化致振、地脚螺栓松动致振等为例,研究振动特征提取与故障识别方法,为水泵振动机理分析探索新方法,具有重要的学术意义和实用价值。首先,针对离心泵空化致振、地脚螺栓松动致振经典特征,在小波变化基础上,分别建立以均方根误差为评估函数的单目标粒子群小波去噪算法和以信噪比、均方根误差为双评价指标的多目标粒子群小波去噪算法,对加噪的离心泵典型故障的振动信号进行去噪处理,确定最优小波基为db8、分层层数为6层及各层对应阈值。其次,设计空化实验及地脚螺栓松动致振实验,将实测的发生空化、地脚螺栓松动的泵壳、电机壳等振动信号用前述小波去噪方法对其进行滤波处理,对处理后的信号进行时域分析及频谱分析获得表征泵运行特性的关键参数。最后,利用BP神经网络初步建立离心泵运行识别方法,将提取的泵振动信号的时域和频域特征值,输入建立的离心泵BP神经网络分类模型进行故障状态的模式分类,为泵站等实际运行提供有力的理论支持。
王晓东[7](2020)在《基于多源数据融合的风电机组主传动链故障预警研究》文中提出近十多年来,我国风电产业发展迅速,风电装机规模迅速扩大。由于风电机组大多处于边远地区和山区,运行环境恶劣,风电机组的运维是个难题。随着越来越多的风电机组出质保,风电机组的智能化运维越来越受到重视。风电机组的智能化运维工作中,风电机组主传动链运维是最为核心的工作。原因是:风电机组主传动链是风电机组故障多发、故障恢复时间最长、故障损失最大的机械部件,其故障频率直接影响风电场运行的可靠性与经济收益。因此,研究风电机组主传动链的智能化故障预警技术,在风电机组主传动链故障发生之前对其进行及时的维护,降低风电机组主传动链故障带来的损失,对我国风电产业的健康发展具有重要意义。本文以双馈风电机组主传动链为研究对象,研究风电机组主传动链的智能化故障预警技术,并设计和研制风电机组主传动链的故障预警系统,实现风电机组主传动链的智能运维。本文的主要研究工作包括:1、研究风电机组主传动链故障预警的基本原理,在分析风电机组主传动链典型故障发生过程及其原因的基础上,归纳风电机组主传动链典型故障的特征提取技术与故障预警算法,为进一步研究风电机组主传动链的故障预警技术奠定理论基础。2、由于基于风电机组SCADA监测系统数据源的故障预警技术存在局限性,提出多源数据融合方法:融合风电机组SCADA系统监测数据和风电机组主传动链的高频振动监测数据这两类数据提取的故障特征,提出基于多源数据融合的风电机组主传动链故障特征提取方法,搭建基于深度自编码网络的多源数据融合故障预警模型,根据多类数据融合的故障特征的重构误差,判断主传动链运行状态是否正常,是否有故障发生的趋势。3、基于深度自编码网络的多源数据融合故障预警模型,研制风电机组主传动链故障预警系统并进行工程应用:对故障预警系统的逻辑架构、硬件架构和功能架构进行设计,并将研发的故障预警系统应用于实际风电场中。故障预警系统试运行结果表明,所研究的故障预警技术能够灵敏地发现主传动链的潜在缺陷,对于发现风电机组主传动链的早期故障有重要价值。
于凯[8](2020)在《汽轮发电机组状态监测与故障诊断方法研究》文中研究说明进入本世纪以来,随着我国能源结构不断调整,新能源装机容量逐年提升,未来大容量火电机组的运行工况将更为复杂。汽轮发电机组作为燃煤火力发电厂重要设备之一,其安全、可靠运行不仅关系到发电厂能否正常向电网输送电能,更关系到电网有功、无功的平衡以及电力系统的稳定。因此,加强对汽轮发电机组故障的在线监测与诊断就显得尤为重要。本文以作者长期在火力发电厂的工作经验为基础,结合工程实际案例对汽轮发电机组状态监测及故障诊断方法进行了深入研究。(1)在分析汽轮机原理的基础上给出了汽轮机几种典型振动故障的时域波形图和频谱分析图并研究了不同故障产生的原因及其对应的频率特征,为后续以振动信号为基础的汽轮机常见故障的在线监测与诊断奠定基础。(2)重点研究了发电机转子绕组匝间短路故障、定子绕组绝缘故障,总结了产生上述故障的原因和检测方法,并结合作者本人的工作经历对工程实际当中转子匝间短路故障的检测全过程进行了详细分析。(3)以汽轮机转子多传感器振动信号监测为基础,开展了汽轮机故障模式识别方法的研究。针对局部均值分解(Local Mean Decomposition,LMD)方法中依旧存在一定程度的模态混叠和端点效应,提出采用自适应互补LMD方法对汽轮机振动故障信号进行分解并提取乘积函数能量熵作为特征量,采用遗传算法优化后的BP神经网络对汽轮机振动故障进行模式识别。通过LabView与MATLAB联合设计了基于振动信号的汽轮机状态监测与故障诊断系统,结合系统的工程应用情况及检修案例,验证了系统的可行性与有效性。(4)从工程实际当中的第一手资料入手,结合本单位机组两次大修经历,从技术和经济两个角度对600MW火力发电机组预防性维修状况进行深入量化分析;从状态监测具体内容对故障诊断的准确性、灵敏度及其经济性等多个方面,探讨开展状态维修的可行性,以及在现有技术水平、制度规定条件下开展汽轮发电机组状态维修可实现的内容。论文有图51幅,表27张,参考文献76篇。
吴家腾[9](2020)在《齿轮动力学参数反求计算及定量故障诊断方法》文中指出齿轮作为机械设备中重要的动力传动装置,其运行状况直接影响着机械设备的正常生产和安全问题,因此,对齿轮进行状态监测与故障诊断具有重要的意义。故障机理研究是故障诊断的基础,其目的是为了揭示齿轮故障演变规律,建立合理的故障模式,从而为齿轮故障诊断提供技术基础;故障诊断方法研究是解决处理故障现象的手段,从工程实际应用出发,找到故障问题,解决故障问题,为工程人员提供一种更为直观和便捷的故障解决方式。然而,在齿轮状态监测与故障诊断中,还存在故障机理不明确、故障演化模型参数难以获取、早期故障难以检测、从故障诊断的定性到定量问题的转化、机理研究与故障诊断方法难以有机结合等问题。因此,本文从齿轮系统动力学建模入手,开展了齿轮故障动力学参数计算及定量故障诊断方法的研究工作。主要研究内容包括:1.齿轮系统典型故障动力学建模与分析。主要研究了齿轮故障中的典型早期故障类型:齿根裂纹和齿面点蚀的故障机理以及对齿轮振动系统的影响。包括了齿轮系统动力学建模方法,建立了包含时变啮合刚度、齿面摩擦系数等动力学参数在内的齿轮系统动力学模型。在此基础上,分析了齿轮系统典型故障状态下的动力学参数变化规律,研究了齿轮不同故障类型对动力学参数的影响,通过将典型故障下的动力学参数植入齿轮系统动力学模型,建立了齿轮系统的典型故障动力学模型,利用时域分析、频域分析及统计特征指标,分析了不同故障类型下的动力学响应变化规律。2.针对目前啮合刚度计算存在的问题,在结合有限元法与解析法优点的基础上,利用应力场强度对齿根裂纹大小的敏感性,将应力强度因子(Strees intensity factor,SIF)引入裂纹齿轮的啮合刚度计算,提出了基于辅助应力强度因子的齿轮裂纹啮合刚度计算方法。通过与传统的啮合刚度计算方法相对比,验证了所提出方法的有效性。然后基于包含时变啮合刚度的齿轮系统动力学模型,研究了齿轮裂纹状态下的时变啮合刚度变化规律及动力学行为。3.针对齿轮故障机理研究及故障诊断中存在的动力学参数难以计算和计算结果缺乏验证手段的问题,基于齿根动态应力检测和优化理论,提出了基于参数反求的齿轮裂纹啮合刚度和齿面点蚀摩擦系数计算方法。通过搭建齿轮故障应变测量试验台,借用优化理论修正试验测量应变和模型计算应变相关联的参数值,反求计算得到故障试验齿轮的动力学参数。通过与传统动力学参数计算方法的结果相比较,证实了从实验测量数据来反求动力学参数的可行性。在此基础上,基于啮合刚度和齿面摩擦系数的动力学参数反求结果,针对齿轮裂纹和点蚀故障,开展齿轮故障机理研究,研究齿轮在不同损伤类型和不同故障程度下的动力学参数变化规律,揭示齿轮故障演化规律。4.针对齿轮故障机理的研究得到的结论不能有效地应用于故障诊断的问题。提出了动力学参数计算与信号处理方法相结合的齿轮裂纹定量诊断方法,将齿轮故障机理分析和信号处理方法有机结合。提出了改进局部波动特征分解(Local-oscillatory characteristic decomposition,LOD)的齿轮振动信号特征提取方法,结合支持向量回归方法构建故障特征参数与齿轮故障之间的定量关系,并将其应用于齿轮裂纹故障定量诊断。针对自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法在齿轮故障提取过程中存在的分量筛选问题,提出了基于主模态分析(Principle Mode Analysis,PMA)的ASTFA方法,并应用于齿轮裂纹故障定量诊断。针对齿轮振动信号的调制特性,提出了基于最小熵解卷积(Minimum entropy deconvolution,MED)的ASTFA方法应用于齿轮故障特征提取方法,并将其应用于齿轮裂纹故障定量诊断。实验结果验证了结合动力学建模仿真和信号处理方法能够有效地对齿轮裂纹故障进行定量诊断。
李琪[10](2020)在《中低压燃气调压器智能预警技术应用与优化》文中研究说明天然气作为城市现代化加速下不可或缺的清洁能源,在未来几十年中的仍将不断发展;近些年来,燃气事业发展迅速,随之出现的新技术、新规范也将在燃气行业内逐步应用。如何保障燃气输配过程中的平稳、安全一直是燃气领域研究的重点。燃气调压器是保障燃气正常输送至各级压力的重要结点,从高压气源至次高压管网、次高压管网至中压管网、中压管网至低压供应,中间层层递减,均是使用不同的调节压力级制的燃气调压器进行逐级输送,因此对燃气调压器的研究将在燃气安全技术以及保障用气高效平稳方面提供参考。首先针对燃气调压器工作原理和典型故障特征,深入研究调压器的故障诊断流程,优化故障诊断中的方法。探讨内部结构的不同的调压器,分析调压的过程和自控原理。通过现象探究其内部故障,找出解决方法和常用检修手段。其次,对燃气调压器在运行过程中表现出的明显异常进行首要分析,即燃气调压器出口压力的故障表现特征,使用经验模态分解方法提炼出有效压力信息,应用能量值法和频谱特征法对分解出各个IMF分量进行阈值划分,以便于更准确、有效地将出口压力这一信号进行不同状态的区分。然后,针对调压器发生故障时无法探究内部构件具体故障的问题,提出基于贝叶斯网络的燃气调压器故障诊断方法。通过分析调压器几种典型故障及表现特征,结合专家经验对先验信息进行概率统计;建立了贝叶斯故障诊断网络;以此统计燃气调压器的后验信息,即计算调压器具体故障的概率。比如,皮膜破损、主阀阀体密封处泄露等,进一步的研究内部的故障问题,可以优化人工拆解检修的流程,具有较高经济、实用价值。最后,总结出基于信息融合方式的燃气调压器故障诊断方法,即经验模态分解方法结合贝叶斯网络(EMD-BEYES)的燃气调压器故障诊断方法。应用经验模态分解方法对调压器故障特征进行区分,然后利用贝叶斯网络的方法计算各个部件发生的概率。当燃气调压器发生故障需要检修时,对应调压器出现异常时的故障特征优先检查概率最高的故障节点。该方法优于以往的故障诊断方案,在应用过程中能够提高故障识别的准确率,并且在诊断后的拆检修步骤中优化流程,在不断累积专家经验和历史故障的深入研究下,对于调压器故障诊断的智能化流程中做出进一步工程应用及推广。
二、典型故障频谱的分析(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、典型故障频谱的分析(论文提纲范文)
(1)齿轮箱关键部件故障振动特征提取与分析(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 基于振动信号处理技术的故障特征提取方法概述 |
1.2.2 自适应信号分解在故障特征提取中的研究现状 |
1.2.3 信号解调分析在故障特征提取中的研究现状 |
1.2.4 自适应噪声消除在故障特征提取中的研究现状 |
1.3 主要研究内容 |
1.3.1 拟解决的关键问题 |
1.3.2 主要研究内容及章节安排 |
第2章 齿轮与滚动轴承的振动机理与故障特征分析 |
2.1 引言 |
2.2 齿轮啮合振动的产生机理 |
2.3 齿轮故障振动建模与特征分析 |
2.3.1 齿轮的典型故障形式 |
2.3.2 齿轮故障振动的数学模型与振动信号特征分析 |
2.4 滚动轴承的振动产生机理 |
2.5 滚动轴承的局部冲击故障振动建模与特征分析 |
2.5.1 滚动轴承的典型故障形式 |
2.5.2 滚动轴承的典型故障振动信号特征 |
2.5.3 滚动轴承局部冲击故障振动的数学模型 |
2.6 本章小结 |
第3章 齿轮箱故障试验系统设计及试验条件 |
3.1 引言 |
3.2 齿轮箱故障试验系统设计 |
3.2.1 试验台架搭建 |
3.2.2 振动数据采集系统 |
3.3 齿轮箱故障试验条件 |
3.3.1 齿轮故障设置 |
3.3.2 测点布置与试验工况 |
3.4 现有齿轮与滚动轴承故障试验台 |
3.4.1 CWRU滚动轴承故障模拟试验台 |
3.4.2 XJTU-SY滚动轴承加速寿命试验台 |
3.4.3 QPZZ-Ⅱ齿轮故障模拟试验台 |
3.5 本章小结 |
第4章 滚动轴承故障振动信号自适应分解与特征提取 |
4.1 引言 |
4.2 变分模态分解的基本原理 |
4.2.1 模态的定义 |
4.2.2 变分模态分解的实现过程 |
4.2.3 变分模态分解的主要影响参数及局限性 |
4.3 基于参数自适应优化选取的变分模态分解(AVMD)方法 |
4.3.1 人工蜂群优化算法概述 |
4.3.2 冲击故障衡量指标——融合冲击指数(SII) |
4.3.3 基于AVMD的滚动轴承故障振动特征提取方法 |
4.4 滚动轴承故障仿真验证 |
4.4.1 滚动轴承局部冲击故障振动信号模型 |
4.4.2 AVMD与现有方法的对比分析 |
4.5 滚动轴承故障试验验证 |
4.5.1 滚动轴承故障模拟试验验证 |
4.5.2 滚动轴承加速寿命试验验证 |
4.6 本章小结 |
第5章 基于变尺度解调的齿轮故障振动特征靶向提取与分析 |
5.1 引言 |
5.2 盲识别谱图类解调频带选取方法的基本原理与局限性 |
5.2.1 盲识别谱图类解调频带选取方法的基本原理 |
5.2.2 盲识别谱图类解调频带选取方法的局限性 |
5.3 具有靶向特性的变尺度解调频带选取方法——对数包络自谱图法(LEASgram) |
5.3.1 LEASgram的基本原理 |
5.3.2 LEASgram的实现步骤 |
5.4 齿轮故障仿真验证 |
5.4.1 齿轮故障振动信号模型 |
5.4.2 相同共振频率激励的齿轮故障仿真验证 |
5.4.3 不同共振频率激励的齿轮故障仿真验证 |
5.5 齿轮箱齿轮故障试验验证 |
5.5.1 单级齿轮箱齿轮故障试验验证 |
5.5.2 二级齿轮箱齿轮故障试验验证 |
5.6 本章小结 |
第6章 强循环平稳成分干扰下齿轮故障振动特征增强与提取 |
6.1 引言 |
6.2 自参考自适应噪声消除 |
6.2.1 自参考自适应噪声消除原理概述 |
6.2.2 最小均方算法 |
6.2.3 归一化最小均方算法 |
6.3 改进自参考自适应噪声消除(MSANC) |
6.3.1 收敛因子的选取 |
6.3.2 滤波器长度和时延长度的选取 |
6.3.3 MSANC的实现步骤小结 |
6.3.4 MSANC与现有方法的有效性对比 |
6.4 基于MSANC的齿轮故障振动特征增强与提取方法 |
6.4.1 快速谱相关 |
6.4.2 多点最优最小熵解卷积 |
6.4.3 基于MSANC的齿轮故障振动特征增强与提取方法的实现步骤 |
6.5 齿根裂纹故障仿真验证 |
6.5.1 含齿根裂纹故障的二级齿轮啮合动力学模型 |
6.5.2 仿真验证结果分析 |
6.6 二级齿轮箱齿轮故障试验验证 |
6.6.1 齿轮齿根裂纹故障试验验证 |
6.6.2 齿轮齿根裂纹和齿面剥落故障试验验证 |
6.7 本章小结 |
第7章 总结与展望 |
7.1 工作总结与结论 |
7.2 主要创新点 |
7.3 展望 |
参考文献 |
攻读博士学位期间所取得的科研成果 |
致谢 |
(2)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 |
(3)城轨列车轮对-轴箱故障表征与解耦算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 城轨列车轮对-轴箱故障特征提取及诊断研究 |
1.2.2 机械系统故障信号图像化表征研究 |
1.2.3 复合故障解耦及速度估计研究 |
1.3 本文主要研究工作 |
1.3.1 主要研究内容 |
1.3.2 研究框架与技术路线 |
1.4 本章小结 |
2 城轨列车轮对-轴箱故障振动信号统计特征级表征 |
2.1 引言 |
2.2 轮对-轴箱故障表现形式及其特点 |
2.2.1 城轨列车轮对故障形式及特点 |
2.2.2 城轨列车轴箱故障形式及特点 |
2.2.3 城轨列车轮对-轴箱复合故障形式及特点 |
2.3 轮对-轴箱复合故障振动特征表征 |
2.3.1 基于机械系统的复合故障特性分析 |
2.3.2 基于信号耦合的复合故障特性分析 |
2.4 故障振动统计特征分析 |
2.4.1 故障振动时域统计特征 |
2.4.2 故障振动频域统计特征 |
2.5 试验台故障振动特性分析 |
2.5.1 相似模拟轮对-轴箱故障模拟试验台 |
2.5.2 试验台多状态故障振动信号波形对比 |
2.5.3 试验台轮对-轴箱故障时域统计特征 |
2.5.4 试验台轮对-轴箱复合故障频域特征 |
2.6 本章小结 |
3 基于频域Gram角度场的轮对-轴箱故障信号表征算法 |
3.1 引言 |
3.2 频域Gram角度场二维图像表征 |
3.2.1 时间序列Gram矩阵表征方法 |
3.2.2 频域Gram角度场二维图像表征算法 |
3.2.3 基于FDGAF表征的迁移学习智能诊断方法 |
3.3 等比例试验台故障表征与诊断验证 |
3.3.1 试验台信号算法验证技术路线 |
3.3.2 试验台轮对故障表征与诊断验证 |
3.3.4 试验台轴箱轴承故障表征与诊断验证 |
3.3.5 试验台轮对-轴箱复合故障表征与诊断验证 |
3.3.6 智能表征与诊断结果对比分析 |
3.4 本章小结 |
4 基于频谱Markov转移场的轮对-轴箱故障信号表征算法 |
4.1 引言 |
4.2 频谱Markov转移场二维表征算法 |
4.2.1 时序Markov转移场理论 |
4.2.2 频谱Markov转移场二维图像表征算法 |
4.2.3 基于SMTF表征的迁移学习智能诊断方法 |
4.3 等比例试验台数据验证 |
4.3.1 试验台信号算法验证技术路线 |
4.3.2 等比例轮对-轴箱故障模拟试验台 |
4.3.3 试验台轮对故障表征与诊断验证 |
4.3.4 试验台轴箱轴承故障表征与诊断验证 |
4.3.5 试验台轮对-轴箱复合故障表征与诊断验证 |
4.3.6 智能表征与诊断结果对比分析 |
4.4 本章小结 |
5 基于双轴SGMD-CAE的轮对-轴箱复合故障解耦算法 |
5.1 引言 |
5.2 SGMD多轴振动信号分解算法 |
5.2.1 辛几何模态分解概念 |
5.2.2 SGMD信号分解理论 |
5.2.3 基于SGMD的多轴振动信号解耦算法 |
5.3 SGMD-CAE多轴振动分解重构算法 |
5.3.1 CAE互近似熵信息准则 |
5.3.2 SGMD-CAE信号解耦算法 |
5.3.3 针对轮对-轴箱的双轴振动信号解耦算法 |
5.4 轮对-轴箱双轴加速度复合故障解耦算法验证 |
5.4.1 试验台轮对-轴箱双轴加速度采集 |
5.4.2 试验台轮对-轴箱复合故障双轴SGMD-CAE解耦验证 |
5.4.3 复合故障解耦结果谱对比分析 |
5.5 本章小结 |
6 基于解耦-相关分析的车速估计及轴箱故障诊断算法 |
6.1 引言 |
6.2 经典城轨列车速度获取方法 |
6.2.1 城轨列车轮对转速测量系统 |
6.2.2 城轨列车车轴测速传感器 |
6.3 基于振动信号解耦-自相关分析的速度估计算法 |
6.3.1 基于Pearson系数的自相关函数分析 |
6.3.2 城轨列车ABA信号SGMD-ACF车速估计算法 |
6.3.3 实车线路ABA信号SGMD-ACF速度估计验证 |
6.4 SGMD-ACF速度估计算法在轴箱轴承故障诊断中的应用 |
6.4.1 城轨列车轴箱轴承故障工况说明 |
6.4.2 基于SGMD-ACF算法的轴箱轴承故障诊断 |
6.4.3 SGMD-ACF算法结果对比分析 |
6.5 本章小结 |
7 结论与展望 |
7.1 全文工作总结 |
7.1.1 本文主要研究内容 |
7.1.2 本文创新点 |
7.2 研究展望 |
参考文献 |
附录 A |
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 |
(4)复杂工况下列车轴承故障预警与诊断方法(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 旋转机械故障预警与诊断研究现状 |
1.2.1 旋转机械振动信号特征提取方法研究现状 |
1.2.2 旋转机械振动信号模式识别方法研究现状 |
1.3 论文主要研究内容及总体框架 |
2 旋转机械故障机理及特征提取方法一般架构 |
2.1 滚动轴承故障机理及典型故障特征 |
2.1.1 滚动轴承失效机理与形式 |
2.1.2 滚动轴承振动信号的特征频率分析 |
2.1.3 滚动轴承典型故障振动特征 |
2.2 转子不平衡振动机理及典型故障特征 |
2.2.1 转子不平衡故障机理介绍 |
2.2.2 转子不平衡故障特征 |
2.3 特征提取方法一般框架 |
2.4 小结 |
3 基于incSVDD的轴承早期故障预警方法 |
3.1 故障预警问题定义 |
3.2 故障预警的一般方法 |
3.3 基于incSVDD的故障预警方法 |
3.3.1 基于小波包的滤波方法 |
3.3.2 基于小波包分量的谱编码 |
3.3.3 基于incSVDD的故障预警 |
3.4 实例分析 |
3.4.1 实验设置 |
3.4.2 实验结果分析 |
3.5 小结 |
4 强噪声工况下轴承故障诊断方法 |
4.1 轴承振动信号消噪问题定义 |
4.2 轴承振动信号消噪的一般方法 |
4.2.1 自参考自适应滤波 |
4.2.2 离散随机分离 |
4.2.3 小波去噪 |
4.2.4 自适应信号分解去噪方法 |
4.3 基于信号自适应分解与谱编码的故障诊断方法 |
4.3.1 基于EMD的滤波方法 |
4.3.2 基于EMD分量的tile-coding谱编码方法 |
4.4 实例分析 |
4.4.1 实验数据介绍 |
4.4.2 模型降噪性能分析 |
4.4.3 不同信噪比下模型分类结果 |
4.5 小结 |
5 变工况与样本不平衡条件下轴承故障诊断方法 |
5.1 问题描述 |
5.2 处理变工况与类别样本不平衡的一般方法 |
5.3 基于半监督的类别样本不平衡故障诊断方法 |
5.3.1 基于可视图的特征提取方法 |
5.3.2 半监督学习的图模型构建 |
5.3.3 半监督学习的标签传播 |
5.4 实例分析 |
5.4.1 数据集设置 |
5.4.2 可视图特征仿真验证 |
5.4.3 基于VGF-GRSSL的故障诊断 |
5.5 小结 |
6 基于谱峭度与谱编码的并发故障诊断方法 |
6.1 并发故障问题定义 |
6.2 并发故障诊断的一般方法 |
6.2.1 特征提取方法 |
6.2.2 模式识别方法 |
6.3 基于谱峭度的并发故障诊断方法 |
6.3.1 基于谱峭度的滤波方法 |
6.3.2 基于谱峭度的谱编码 |
6.3.3 多分类与多标签分类 |
6.4 滚动轴承与转子不平衡故障分析 |
6.4.1 滚动轴承故障 |
6.4.2 转子不平衡故障 |
6.4.3 轴承内圈故障及并发故障 |
6.4.4 轴承外圈故障及其并发故障 |
6.4.5 轴承滚动体故障及其并发故障 |
6.5 实例分析 |
6.5.1 多分类结果 |
6.5.2 多标签分类结果 |
6.6 小结 |
7 总结与展望 |
7.1 主要研究结论 |
7.2 创新点 |
7.3 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 |
(5)伺服电机系统传动链典型故障诊断技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 课题相关国内外研究现状 |
1.2.1 电机系统传动链典型故障类型及其机理研究 |
1.2.2 基于不同故障载体的电机系统传动链故障诊断 |
1.2.3 电机系统传动链故障特征提取方案的研究现状 |
1.2.4 电机系统传动链故障状态识别与诊断决策 |
1.2.5 研究现状简析 |
1.3 本文主要研究内容 |
第2章 基于电机电流的齿轮局部式故障诊断技术 |
2.1 引言 |
2.2 MCSA齿轮故障诊断机理研究 |
2.2.1 齿轮传动系统建模 |
2.2.2 不同齿轮健康状态下的相电流特性分析 |
2.2.3 仿真验证 |
2.3 运行条件对齿轮故障诊断效果的影响分析 |
2.3.1 齿轮断齿故障诊断实验平台 |
2.3.2 不同运行条件下的故障诊断结果及分析 |
2.4 基于RSSD的齿轮故障诊断 |
2.4.1 信号的振荡属性 |
2.4.2 相电流共振稀疏分解算法 |
2.4.3 实验验证与分析 |
2.5 基于双重参数优化RSSD的齿轮故障诊断 |
2.5.1 TQWT参数分析 |
2.5.2 基于低共振分量峭度值的RSSD参数优化准则 |
2.5.3 实验验证与分析 |
2.6 本章小结 |
第3章 基于电机转速的电机轴承局部式故障诊断技术 |
3.1 引言 |
3.2 MCSA与 MSSA机理研究及对比分析 |
3.2.1 轴承局部式故障时电机系统轴矩特性建模 |
3.2.2 轴承局部式故障对相电流和电机转速信号的影响 |
3.2.3 仿真验证 |
3.3 基于谱峭度的轴承故障诊断及最优故障载体选取 |
3.3.1 轴承裂纹故障诊断实验平台 |
3.3.2 谱峭度算法 |
3.3.3 实验结果分析与最优信号选取 |
3.4 基于优化谱峭度算法的轴承故障诊断 |
3.4.1 基于EEMD自适应信号重构的故障特征增强 |
3.4.2 实验验证与分析 |
3.5 基于电机驱动算法预处理的轴承故障诊断 |
3.5.1 电流采样误差对故障诊断的影响 |
3.5.2 结合电机驱动算法的转速主动降噪 |
3.5.3 实验验证与分析 |
3.5.4 早期轴承局部式故障下算法性能 |
3.6 本章小结 |
第4章 基于电机转速的初始安装不对中故障诊断技术 |
4.1 引言 |
4.2 安装不对中故障诊断机理研究 |
4.2.1 平行不对中故障建模 |
4.2.2 角度不对中故障建模 |
4.2.3 仿真验证 |
4.3 基于转速模型系数辨识的安装不对中故障诊断 |
4.3.1 转速模型系数辨识方法 |
4.3.2 安装不对中实验平台 |
4.3.3 实验验证与分析 |
4.4 初始安装不对中故障诊断 |
4.4.1 基于多转速下不对中故障特征分量的检测方法 |
4.4.2 仿真验证 |
4.4.3 实验验证与分析 |
4.5 本章小结 |
第5章 基于位域法的电机系统传动链暂态下故障诊断技术 |
5.1 引言 |
5.2 位域重采样方法 |
5.2.1 时频域法暂态失效原理分析 |
5.2.2 计算位域重采样算法 |
5.3 基于位域运动误差信号的暂态齿轮故障诊断 |
5.3.1 基于运动误差的齿轮故障诊断机理研究 |
5.3.2 位域运动误差同步平均法齿轮故障诊断 |
5.4 基于阶比谱分析的暂态不对中故障诊断 |
5.4.1 基于阶比谱分析的诊断方法 |
5.4.2 实验验证与分析 |
5.5 基于位域阶谱峭度分析的暂态轴承故障诊断 |
5.5.1 位域阶谱峭度算法 |
5.5.2 实验验证与分析 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(6)基于小波变换的离心泵典型故障振动信号分析研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究的背景及研究意义 |
1.2 水力机组故障诊断的国内外研究现状 |
1.2.1 水力机组故障诊断的发展 |
1.2.2 .国外发展现状 |
1.2.3 国内发展现状 |
1.3 水力机组状态监测与故障诊断中振动信号的分析 |
1.4 本文主要研究内容及结构安排 |
第二章 粒子群-小波变换优化算法 |
2.1 小波变换 |
2.1.1 连续小波变换理论 |
2.1.2 离散小波变换理论 |
2.2 小波去噪 |
2.3 粒子群算法 |
2.3.1 基本原理 |
2.3.2 算法策略 |
2.3.3 粒子群算法流程 |
2.4 小波阈值去噪的基本思路 |
2.4.1 常用小波基及小波基选取 |
2.4.2 小波分解层数的确定 |
2.4.3 阈值的确定 |
2.4.4 重构信号去噪效果的评价标准 |
2.5 基于粒子群算法分层选取阈值和小波基 |
2.6 多目标PSO算法 |
2.6.1 多目标优化 |
2.6.2 多目标粒子群算法步骤和流程 |
2.6.3 仿真结果及分析 |
2.7 本章小结 |
第三章 离心泵空化实验及空化特性分析 |
3.1 离心泵实验平台 |
3.1.1 实验装置 |
3.1.2 数据采集系统 |
3.1.3 离心泵振动测点的选择与布置 |
3.1.4 实验数据保存原则 |
3.2 实验方案 |
3.2.1 实验方案 |
3.2.2 汽蚀余量的确定 |
3.3 空化信号去噪分析 |
3.3.1 实测振动信号的多层小波分解 |
3.3.2 电机振动信号的去噪处理 |
3.4 空化信号特征分析 |
3.4.1 小波频带能量分析 |
3.4.2 空化诱导振动信号多层分解的各层频谱分析 |
3.4.3 电机振动信号频谱分析 |
3.5 本章小结 |
第四章 离心泵地脚螺栓松动故障分析 |
4.1 地脚螺栓松动状态下振动测试方案 |
4.1.1 方案思路 |
4.1.2 实验方案设计 |
4.2 实测振动信号滤波 |
4.2.1 电机振动时域分析 |
4.2.2 泵振动时域分析 |
4.3 故障特征分析 |
4.3.1 电机振动时域分析 |
4.3.2 离心泵振动频域分析 |
4.3.3 轴心轨迹 |
4.4 本章小结 |
第五章 离心泵故障诊断分析 |
5.1 特征提取方法研究 |
5.2 离心泵振动故障特征提取 |
5.3 BP神经网络的基本原理 |
5.4 基于BP神经网络的离心泵故障分类模型结构设计 |
5.4.1 网络层数的确定 |
5.4.2 学习速率的确定 |
5.4.3 神经元个数的确定 |
5.5 MATLAB仿真流程 |
5.6 诊断系统训练与分析 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 研究结论 |
6.2 研究展望 |
参考文献 |
致谢 |
(7)基于多源数据融合的风电机组主传动链故障预警研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 课题研究现状 |
1.2.1 风电机组主传动链典型故障特征提取技术研究现状 |
1.2.2 风电机组主传动链典型故障预警算法研究现状 |
1.3 本文主要研究内容与技术路线 |
第二章 风电机组主传动链典型故障预警基本原理 |
2.1 风电机组主传动链典型故障过程分析 |
2.1.1 风电机组主传动链基本结构 |
2.1.2 风电机组主传动链典型故障过程及其原因分析 |
2.2 风电机组主传动链典型故障特征提取方法 |
2.2.1 基于SCADA系统监测数据的主传动链典型故障特征监测 |
2.2.2 基于高频振动监测数据的主传动链典型故障特征提取方法 |
2.3 风电机组主传动链典型故障预警算法 |
2.3.1 传统阈值分析方法 |
2.3.2 智能化分析方法 |
2.4 本章小结 |
第三章 基于多源数据融合的风电机组主传动链典型故障预警方法 |
3.1 风电机组主传动链多源数据融合的故障特征提取方法 |
3.1.1 基于单一数据源的主传动链故障特征提取方法局限性分析 |
3.1.2 多源数据融合的主传动链典型故障特征提取流程 |
3.1.3 多源数据融合的主传动链典型故障特征提取 |
3.2 基于多源数据融合的风电机组主传动链故障预警模型 |
3.2.1 深度自编码网络基本原理 |
3.2.2 基于DA的多源数据故障融合预警模型 |
3.3 算例分析 |
3.3.1 参数选择 |
3.3.2 模型训练 |
3.3.3 模型测试 |
3.3.4 多特征融合对比 |
3.4 本章小结 |
第四章 基于多源数据融合的风电机组主传动链典型故障预警系统设计 |
4.1 系统架构设计 |
4.2 系统硬件构成 |
4.2.1 硬件配置 |
4.2.2 传感器选型与测点配置 |
4.3 系统功能设计 |
4.4 本章小结 |
第五章 风电机组主传动链典型故障预警系统应用分析 |
5.1 风电机组齿轮箱齿轮故障案例分析 |
5.1.1 23#机组中速小齿轮断齿案例分析 |
5.1.2 32#机组一级内齿圈小齿轮断齿案例分析 |
5.1.3 15#机组一级内齿圈小齿轮断齿案例分析 |
5.2 风电机组齿轮箱轴承故障案例分析 |
5.3 风电机组发电机轴承故障案例分析 |
5.3.1 13#机组发电机后轴承磨损案例分析 |
5.3.2 27#机组发电机后轴承内圈碎裂案例分析 |
5.4 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间所取得的研究成果 |
致谢 |
附件 |
(8)汽轮发电机组状态监测与故障诊断方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 课题背景及意义 |
1.2 汽轮发电机组轴系结构 |
1.3 汽轮发电机组故障诊断技术研究现状 |
1.4 本文研究内容 |
2 汽轮机典型故障分析 |
2.1 汽轮机常见故障分类 |
2.2 转子不平衡故障 |
2.3 转子不对中故障 |
2.4 轴承座松动故障 |
2.5 油膜振荡故障 |
2.6 转子裂纹故障 |
2.7 本章小结 |
3 发电机典型故障分析 |
3.1 发电机常见故障类型 |
3.2 转子绕组匝间短路故障 |
3.3 静偏心故障 |
3.4 定子绕组绝缘故障 |
3.5 发电机故障诊断方法 |
3.6 故障案例分析 |
3.7 本章小结 |
4 基于自适应互补LMD方法的汽轮机振动故障分析 |
4.1 局部均值分解理论 |
4.2 基于ACLMD的汽轮机振动信号分解 |
4.3 基于乘积函数能量熵的特征提取 |
4.4 基于GA优化BP神经网络的汽轮机故障诊断实现 |
4.5 振动故障监测系统设计 |
4.6 本章小结 |
5 发电机组状态检修方式探讨 |
5.1 常见的发电机组检修模式 |
5.2 计划性检修模式的综合分析和评价 |
5.3 状态检修方式的探讨 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(9)齿轮动力学参数反求计算及定量故障诊断方法(论文提纲范文)
摘要 |
Abstract |
中英文缩略语对照表 |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 研究综述 |
1.2.1 齿轮故障机理研究综述 |
1.2.2 信号处理与诊断方法研究综述 |
1.3 课题来源及主要研究内容 |
1.3.1 研究思路及课题来源 |
1.3.2 主要研究内容 |
第2章 齿轮系统典型故障动力学建模与分析 |
2.1 引言 |
2.2 齿轮系统多自由度动力学建模 |
2.3 齿轮系统动力学时变参数计算 |
2.3.1 时变啮合刚度的计算 |
2.3.2 时变摩擦系数的计算 |
2.4 齿轮不同损伤状态对动力学参数的影响分析 |
2.4.1 齿轮裂纹对动力学参数影响 |
2.4.2 齿轮点蚀对动力学参数影响 |
2.5 齿轮不同损伤状态对动力学响应的影响 |
2.6 齿轮不同损伤下的动力学响应统计特性分析 |
2.7 本章小结 |
第3章 基于辅助应力强度因子的齿轮裂纹时变啮合刚度计算方法 |
3.1 引言 |
3.2 基于辅助应力强度因子的刚度计算 |
3.2.1 研究思路 |
3.2.2 引入应力强度因子的啮合刚度计算 |
3.2.3 齿根裂纹尖端的应力强度因子计算 |
3.3 数值算例 |
3.4 动力学仿真验证 |
3.5 本章小结 |
第4章 基于参数反求的齿轮动力学参数计算方法 |
4.1 引言 |
4.2 研究思路 |
4.2.1 正问题建模 |
4.2.2 反问题建模 |
4.3 齿轮裂纹故障下的时变啮合刚度反求计算 |
4.3.1 齿轮根部应变测试试验设计 |
4.3.2 裂纹齿轮应变测试结果分析 |
4.3.3 裂纹齿轮有限元建模及应力计算 |
4.3.4 基于参数反求的时变啮合刚度反求计算 |
4.4 齿轮点蚀故障下的时变摩擦系数反求计算 |
4.4.1 点蚀齿轮应变测试试验 |
4.4.2 点蚀齿轮有限元建模 |
4.4.3 基于参数反求的摩擦系数反求计算 |
4.5 动力学仿真验证 |
4.6 本章小结 |
第5章 动力学参数计算与特征提取相结合的齿轮裂纹定量诊断方法 |
5.1 引言 |
5.2 基于齿轮损伤机理和改进LOD的齿轮裂纹定量诊断方法 |
5.2.1 改进的LOD方法 |
5.2.2 构建裂纹故障映射关系 |
5.2.3 实验信号分析及齿轮裂纹定量诊断 |
5.3 基于齿轮损伤机理和PMA-ASTFA的齿轮裂纹故障定量诊断方法 |
5.3.1 PMA-ASTFA方法 |
5.3.2 故障特征分析及裂纹定量诊断 |
5.4 基于MED-ASTFA和 SALR的变转速齿轮裂纹故障定量诊断方法 |
5.4.1 MED方法 |
5.4.2 基于SALR的裂纹故障特征提取 |
5.4.3 实验信号分析及裂纹定量诊断 |
5.5 本章小结 |
结论与展望 |
参考文献 |
致谢 |
附录 A 攻读学位期间发表和录用的论文目录 |
附录 B 攻读学位期间参与的科研项目 |
(10)中低压燃气调压器智能预警技术应用与优化(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 研究技术路线及方法 |
第二章 燃气调压器作用机理及常见故障类型 |
2.1 调压器分类 |
2.1.1 按照作用原理 |
2.1.2 按照用途或使用对象 |
2.1.3 按出口压力分 |
2.1.4 按流经调节元件的方向 |
2.1.5 按失效后的状态 |
2.1.6 中低压箱式调压器 |
2.2 燃气调压器基本工作原理 |
2.3 燃气调压器常见故障表现特征 |
2.3.1 根据压力变化分析故障特征 |
2.3.2 根据流量异常判断故障特征 |
2.3.3 调压器喘振 |
2.4 燃气调压器故障类型及相关检修 |
2.5 本章小结 |
第三章 燃气调压器故障信号特征提取 |
3.1 燃气调压器故障数据集 |
3.2 经验模态分解方法 |
3.2.1 经验模态分解方法原理 |
3.2.2 本征模态函数处理 |
3.3 使用EMD方法提取信号特征 |
3.4 优化信号特征提取结果 |
3.5 本章小结 |
第四章 基于贝叶斯网络的燃气调压器故障定位 |
4.1 贝叶斯网络的基本概念 |
4.2 建立燃气调压器故障贝叶斯网络拓扑模型 |
4.2.1 获取先验信息 |
4.2.2 映射关系的建立 |
4.2.3 搭建贝叶斯网络 |
4.3 贝叶斯网络参数学习 |
4.4 调压器的故障诊断定位 |
4.5 本章小结 |
第五章 基于EMD-BEYES的燃气调压器故障诊断 |
5.1 信息融合的故障诊断方法 |
5.1.1 信号提取 |
5.1.2 统计和分类 |
5.1.3 深度诊断 |
5.2 故障诊断流程 |
5.3 结合专家打分的辅助判定 |
5.4 本章小结 |
结论 |
附录 |
参考文献 |
致谢 |
四、典型故障频谱的分析(论文参考文献)
- [1]齿轮箱关键部件故障振动特征提取与分析[D]. 赫修智. 吉林大学, 2021(01)
- [2]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)
- [3]城轨列车轮对-轴箱故障表征与解耦算法研究[D]. 白永亮. 北京交通大学, 2021
- [4]复杂工况下列车轴承故障预警与诊断方法[D]. 陈欣安. 北京交通大学, 2021(02)
- [5]伺服电机系统传动链典型故障诊断技术研究[D]. 柴娜. 哈尔滨工业大学, 2021
- [6]基于小波变换的离心泵典型故障振动信号分析研究[D]. 魏晓斌. 南昌工程学院, 2020(06)
- [7]基于多源数据融合的风电机组主传动链故障预警研究[D]. 王晓东. 华南理工大学, 2020(05)
- [8]汽轮发电机组状态监测与故障诊断方法研究[D]. 于凯. 中国矿业大学, 2020(07)
- [9]齿轮动力学参数反求计算及定量故障诊断方法[D]. 吴家腾. 湖南大学, 2020(02)
- [10]中低压燃气调压器智能预警技术应用与优化[D]. 李琪. 北京建筑大学, 2020(08)