欢迎来到天天文库
浏览记录
ID:43724047
大小:1.46 MB
页数:80页
时间:2019-10-13
《【毕业学位论文】(原稿)转子故障的小波尺度谱数字特征提取与诊断技术研究-航空器》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、中图分类号:TH165.3TP206.3学科分类号:082304论文编号:102870710-0020硕士学位论文转子故障的小波尺度谱数字特征提取与诊断技术研究研究生姓名孙丽萍学科、专业安全技术及工程研究方向航空器运行安全技术及工程指导教师陈果教授南京航空航天大学研究生院民航学院二O—O年一月NanjingUniversityofAeronauticsandAstronauticsTheGraduateSchoolCollegeofCivilAviationAero-engineVibrationFaultDi
2、agnosisBasedonHilbert-HuangTransformAThesisinSafetyTechnologyandEngineeringbySunLipingAdvisedbyProf.ChenGuoSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringJanuary,2010承诺书本人郑重声明:所呈交的学位论文,是本人在导师指导下,独立进行研究工作所取得的成果。尽我所知,除文屮已经注明引用的内
3、容外,本学位论文的研究成果不包含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体,均已在文中以明确方式标明。本人授权南京航空航天大学可以有权保留送交论文的复印件,允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或其他复制手段保存论文。(保密的学位论文在解密后适用本承诺书)作者签名:日期:摘要振动信号是旋转机械状态监测与故障诊断的基本信息来源,而这些倍号通常为非线性、非高斯的非平稳信号。通过小波变换所得的故障信号的小波尺度谱,其纹理分布及灰度
4、变化能够较好的反映岀故障的非平稳特征,对其进行特征提取并应用于故障诊断屮,有利于转了故障的智能诊断。目询提出的小波尺度谱特征提取的方法主要有基于小波系数矩阵的一阶灰度矩向量以及尺度谱纹理特征。上述两种尺度谱特征提取的方法,从图像像素的二阶统计特性方面对故障特征进行了描述,提取了较好的故障特征,但未对故障的非线性特征进行和应的分析,忽略了图像屮的高阶统计信息。件对上述问题,木文提出了利用核主成分分析(KPCA)对尺度谱图像进行特征的提取,并利用参数口适应支持向量机模型对提取的尺度谱特征进分类,结果表叨了该方法对尺
5、度谱特征提取的有效性。第一,阐述了连续小波变换的基木原理,小波基函数的性质和木文中选择小波基函数的依据。分析和研究了转子不平衡、不对中、碰摩及油膜涡动等四类典型转子故障的故障机理、频谱特征和和应的尺度谱图像特征。第二,对尺度谱的一阶灰度矩向量、尺度谱纹理特征的提収方法进行了介绍。研究了核方法的基本原理以及几种常用的典型核函数,介绍了主成分分析(PCA)的基本方法和原理,并将核方法与PCA方法结合,提出了基于核主成分分析(KPCA)的小波尺度谱特征提取方法。利用ZT-3多功能转了故障模拟实验系统、航空发动机转了故
6、障实验器对上述四类故障进行数据模拟和采集。提取了上述故障样本的小波尺度谱图像特征,并对所得的特征数据进行了分析研究。第三,研究了支持向量机分类模型的原理和其在学习分类屮的优越性。针对目前支持向呆机模型参数的确定尚无标准的方法,研究了核函数参数c及支持向量机惩罚因子C,对模型分类效果的彫响,并采用遗传算法对上述两个参数进行了优化,构造形成了参数口适应的支持向量机模型。最示运用该模型对所提取的尺度谱特征进行分类识别。实验结果表明,利用KPCA方法所提取的尺度谱数字特征具有较强的故障识别能力,通过该方法提取的特征可以
7、有效的实现转子故障的智能诊断。关键词:特征提取,核主成分分析,连续小波变换,小波尺度谱,转了故障诊断,纹理特征,一阶灰度矩,支持向量机。ABSTRACTVibrationsignalsarethebasicsourcesofinformationforrotatingmachinery'sconditionmonitoringandfaultdiagnosisandthesesignalsareusuallynon-linear,non-Gaussiannon-stationarysignals.Thetext
8、uredistributionsandgrayscalechangesofthecontinouswaveletscalogramwhichextractedfromcontinouswavelettransformcanbetterreflectthenon-stationaryfeaturesofthefaults.Ifwecanextractthesefeaturesandapp
此文档下载收益归作者所有