基于ceemd和纹理特征的旋转机械智能故障诊断方法-机械工程专业论文.docxVIP

万方数据 万方数据 Classified Index：TH165+.3 Dissertation for the Master Degree in Engineering Research on Intelligent Fault Diagnosis of Rotating Machinery Based on CEEMD and Texture Feature Candidate： Wang Weiyu Supervisor： Wang Yaping Academic Degree Applied for： Master of Engineering Speciality： Mechanical engineering Date of Oral Examination： March, 2016 University： Harbin University of Science and Technology 哈尔滨理工大学硕士学位论文原创性声明 本人郑重声明。此处所提交的硕士学位论文《基于 CEEMD 和纹理特征的旋 转机械智能故障诊断方法》，是本人在导师指导下，在哈尔滨理工大学攻读硕 士学位期间独立进行研究工作所取得的成果。据本人所知，论文中除已注明部 分外不包含他人已发表或撰写过的研究成果。对本文研究工作做出贡献的个人 和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。 作者签名：王纬宇 日期：2016 年 3 月 28 日 哈尔滨理工大学硕士学位论文使用授权书 《基于 CEEMD 和纹理特征的旋转机械智能故障诊断方法》系本人在哈尔滨 理工大学攻读硕士学位期间在导师指导下完成的硕士学位论文。论文的研究成 果归哈尔滨理工大学所有，本论文的研究内容不得以其它单位的名义发表。本 人完全了解哈尔滨理工大学关于保存、使用学位论文的规定，同意学校保留并 向有关部门提交论文和电子版本，允许论文被查阅和借阅。授权哈尔滨理工大 学可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分 内容。 本学位论文属于 保密 ，在 年解密后适用授权书 不保密 √ 。 (请在以上相应方框内打√) 作者签名： 王纬宇 日期： 2016 年 3 月 28 日 导师签名： 王亚萍 日期： 2016 年 3 月 28 日 哈尔滨理工大学工程硕士学位论文 哈尔滨理工大学工程硕士学位论文 基于 CEEMD 和纹理特征的旋转机械智能 故障诊断方法 摘 要 基于数据驱动的旋转机械智能故障诊断方法不需要大量的先验知识和专 家经验，相对于传统的设备故障诊断方法具有很大优势，也是未来设备故障诊 断研究领域的主要发展方向。针对旋转机械智能故障诊断方法中振动信号降噪 方法损害信号完整性、故障特征敏感性差、模式分类器参数寻优算法收敛速度 慢等问题，进行深入研究并提出相应的改进，进而提升旋转机械智能故障诊断 方法的诊断性能和精度。具体研究内容如下： 首先，研究了旋转机械故障振动信号的降噪方法。绝大多数旋转机械处于 复杂的工作环境下，要对包含噪声的信号进行有效的降噪处理，同时还要避免 信号有效信息受到损害。为此提出一种新的旋转机械降噪方法，将 CEEMD 同 小波阈值降噪方法结合在一起进行故障振动信号降噪，在保证信号完整性的同 时很好地完成了信号的降噪处理。 其次，研究了旋转机械故障特征提取方法。从降噪后振动信号中提取 SPWVD 时频图，从时频分布图中提取图像纹理特征参量，组成故障特征集， 准确挖掘信号中的各个阶段程度故障模式信息。通过实验验证比较几种不同时 频分析方法提取故障特征的性能优劣。 再次，基于 SVM 机器学习方法建立旋转机械智能故障模式分类器，采用 改进的自适应粒子群算法对模式分类器参数进行优化，提高故障诊断过程的准 确性。以训练故障特征集训练 SVM 得到最优模式分类器，再将测试故障特征 集输入到最优模式分类器中，输出智能模式识别结果，实现旋转机械智能故障 诊断。 最后，对该方法的实际应用进行模拟验证。用旋转机械振动数据作为输入， 分别进行四组模拟应用实验，对旋转机械所处的故障状态以及某一故障状态下 的不同故障程度进行识别，实验结果表明方法是正确和有效的。 本文提供了一种旋转机械智能故障诊断方法，改进了振动信号降噪处理、 故障特征提取以及故障模式分类器参数寻优方法，对旋转机械智能故障诊断的 后续研究具有重要意义。 -I- 关键词 旋转机械；智能故障诊断；互补集合经验模态分解；平滑伪维格纳-威 利分布；支持向量机 -II- Research on Intelligent Fault Diagnosis of Rotating Machinery Based on CEEMD and Texture Feature Abstra