基于噪聲分析的機(jī)械故障診斷方法研究(參考版)
2025-06-26 21:29本頁面
【正文】 從最開始的不知所措，到中期嘗試著著手，查閱了大量的文獻(xiàn)，文章的結(jié)構(gòu)也幾度改善，到后期做大量細(xì)節(jié)方面的完善，我吸取了很多教訓(xùn)，也收獲了很多知識(shí)。 參考文獻(xiàn) [1]李功，黃民．基于小波包變換的超聲回波信號(hào)特征提?。郏剩荩戏使I(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，29(2)：246249．[2] 王立欣．諸定秋．蔡維錚．局部放電在線監(jiān)測中基于小波變換的閾值消噪算法研究［Ｊ］．電網(wǎng)技術(shù)，2003（04）．[3] 管亮，馮新滬．基于小波變換的信號(hào)濾波效果影響因素研究及其 matlab實(shí)踐［Ｊ］．自動(dòng)化與儀器儀表，2004（6）：4346．[4] 譚善文，秦樹人，湯寶平．小波基時(shí)頻特性及其在分析突變信號(hào)中的應(yīng)用［Ｊ］．重慶大學(xué)學(xué)報(bào)，2001，24（2）：4547．[5] 李增芳,何勇,徐高歡. 基于聲強(qiáng)信號(hào)分析和組合神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2008(12)[6] 徐玉秀,張劍,[M]. 國防工業(yè)出版社, 2006[7] 李敏. 復(fù)雜機(jī)械基于數(shù)據(jù)的建模與故障診斷[D]. 太原理工大學(xué) 2010[8]張梅軍．機(jī)械狀態(tài)檢測與故障診斷[M]．北京：國防工業(yè)出版社，2008：241—248.[9] 程軍圣,于德介,楊宇,[J].振動(dòng)工程學(xué)報(bào), 2004, 17(1): 606612.[10] 岳夏. 基于HMM的復(fù)雜條件故障診斷技術(shù)研究[D]. 華南理工大學(xué) 2012[11] 趙協(xié)廣. 基于小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法研究[D]. 山東科技大學(xué) 2009[12] M E Badaoui,J Antoni,F of the moving cepstrum integral to detect and localise tooth spalls in gears. Journal of Mechanical Systems . 2001[13] Song You,Mark Krage,Laci of Remote Diagnosis and Maintenance for Automotive Systems. SAE World Congress . 2005[14] R. Rubini, U. Meneghetti, Application of the envelope and wavelet transform analysis for the diagnosis of incipient faults in ball bearings, Machine Systems and Signal Processing 15 (2001) 287–302.[15] H. Zheng, Z. Li, X. Chen, Gear fault diagnosis based on continuous wavelet transform, Machine Systems and Signal Processing 16(2002) 447–457.[16] J. Lin, L. Qu, Feature extraction based on Morlet wavelet and its application for machine fault diagnosis, Journal of Sound and Vibration 243 (2000) 135–148.[17] . Peng, . Chu, Application of the wavelet transform in machine condition monitoring and fault diagnostics: a review with bibliography, Machine Systems and Signal Processing 18 (2004) 199–221.[18] . Benedetto, . Pfander, Periodic wavelet transforms and periodicity detection, SIAM Journal of Applied Mathematics 62 (2002) 1329–1368.[19] Borg G G,Harris J H,Miljak D G,et of plasma columns to radiofrequency antennas. Applied Physics Letters . 1999[20] Wu Z H,Huang N Empirical Mode Deposition:ANosie Assisted Data Analysis Method. . 2005 致謝 經(jīng)過三個(gè)多月的努力，今天，畢業(yè)論文終于完成了。（3） 盲源分離技術(shù)是的發(fā)展尚不成熟，有相當(dāng)大的發(fā)展空間和潛力。5．2 展望基于噪聲分析的機(jī)械故障診斷技術(shù)尚處于方興未艾的階段，很有深入研究的價(jià)值，盲源分離技術(shù)還有很大的發(fā)展空間，需要我們不斷完善，將盲源分離技術(shù)用于機(jī)械故障分析很有前景，簡要提出以下幾點(diǎn)展望：（1） 基于噪聲分析和基于振動(dòng)信號(hào)分析的機(jī)械故障診斷方法各有優(yōu)勢和不足，在實(shí)際應(yīng)用中可考慮將二者做一些結(jié)合，以便更好的獲取機(jī)械狀態(tài)信號(hào)，達(dá)到最佳的診斷效果。（3） 分析了噪聲的本質(zhì)，以及介紹了噪聲采集和測量的儀器 ，闡述了噪聲分析和處理的原理和過程。特得出以下幾點(diǎn)結(jié)論： （1） 基于噪聲分析的機(jī)械故障診斷可以做到振動(dòng)診斷不能做到的事，例如可以通過非接觸式獲取機(jī)械狀態(tài)信號(hào)，以及獲取高腐蝕等惡劣環(huán)境中的設(shè)備信號(hào)，是一種十分方便而有效的機(jī)械故障診斷方法。 5 結(jié)論與展望 結(jié)論 實(shí)際的機(jī)械故障診斷所采集的聲信號(hào)中含有多種分量，故障特征分量往往淹沒在其中，信號(hào)信噪比很低。在聲源識(shí)別方面，采用獨(dú)立分量分析從觀測信號(hào)中提取獨(dú)立的聲源信號(hào)，分離特征信號(hào)和干擾信號(hào)，消除背景噪聲對(duì)特征信號(hào)的干擾。而一般接收的異響信號(hào)，沖擊信號(hào)被噪聲嚴(yán)重干擾，常規(guī)方法難于處理。機(jī)器的異響多由零部件或者接觸表面的局部缺損、裂紋、松動(dòng)等引起，從而使出現(xiàn)的異響為撞擊發(fā)出的聲響，如齒輪斷齒或輪齒表面出現(xiàn)凹坑引起的異常嚙合聲、滾動(dòng)軸承的滾動(dòng)體表面有劃痕時(shí)的沖擊聲等，實(shí)質(zhì)上就是不同形式的金屬撞擊聲?；诼曅盘?hào)的機(jī)械故障診斷，常常被稱機(jī)器異響診斷。在機(jī)械設(shè)備運(yùn)行的現(xiàn)場，具有較高強(qiáng)度的環(huán)境景噪聲，機(jī)器聲常常淹沒其中，同時(shí)鄰近設(shè)備和同一設(shè)備其它部位的聲信號(hào)也會(huì)混入到所采集的信號(hào)中，再加之聲的回波干擾，信號(hào)的信噪比低，故障源辨識(shí)困難。迭代中的樣本點(diǎn)應(yīng)該分別選取，假如收斂不理想的話，可以增加樣本的數(shù)量。理想情況下，所有的有效數(shù)據(jù)都應(yīng)該參與計(jì)算，但這會(huì)降低計(jì)算速度。簡化后就可以得到FastICA算法的迭代公式： (311)實(shí)踐中，F(xiàn)astICA算法中用的期望必須用它們的估計(jì)值代替。因而雅可比矩陣變成了對(duì)角陣，并且能比較容易地求逆。用表示式（）左邊的函數(shù)，可得的雅可比矩陣如下： （39）為了簡化矩陣的求逆，可以近似為（）式的第一項(xiàng)。 （38）這里，是一個(gè)恒定值， ,是
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1