2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩88頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、軸承是旋轉(zhuǎn)機械中最重要的零部件之一,常處于高速重載的惡劣環(huán)境,是最易出現(xiàn)故障的零部件,成為故障診斷技術(shù)的主要研究對象。當前的故障診斷技術(shù)尚無法完美解決實際生產(chǎn)中的各類問題,仍存在許多亟待解決的關(guān)鍵性難題。故障特征增強技術(shù)是故障診斷的基礎(chǔ),直接決定著后續(xù)診斷結(jié)果的準確性。當前的故障特征增強技術(shù)如最小熵解卷積、譜峭度等方法還不夠成熟,尚不能滿足實際生產(chǎn)需求,國內(nèi)外學者在完善這些算法的同時也期待新方法的提出以突破現(xiàn)有的技術(shù)瓶頸,這對故障診斷技

2、術(shù)的發(fā)展有著極其重要的意義。本文在分析國內(nèi)外故障診斷技術(shù)研究現(xiàn)狀的基礎(chǔ)上,主要針對滾動軸承振動信號的診斷,深入探究了非局部均值算法(Non-local Mean,簡稱 NLM)在軸承故障診斷中的應(yīng)用可行性問題,旨在為故障診斷技術(shù)提供一種抗噪性能好、診斷能力強的故障特征增強新方法和新技術(shù)。
  針對非局部均值算法的一維化問題,本文在應(yīng)用于二維圖像數(shù)據(jù)處理的非局部均值算法的理論基礎(chǔ)上,提出將該算法利用像素與結(jié)構(gòu)自相似性加權(quán)平均以消除噪

3、聲的原理借鑒至滾動軸承的故障數(shù)據(jù)處理中,實現(xiàn)非局部均值算法的一維化。同時針對滾動軸承的故障診斷,提出了基于NLM的滾動軸承故障診斷模型,實驗室軸承故障數(shù)據(jù)分析表明,該算法能夠較好地消除信號中的背景噪聲干擾,挖掘出表征軸承故障信息的異常沖擊特征。
  針對非局部均值算法的數(shù)據(jù)處理結(jié)果受參數(shù)影響嚴重的問題,提出將粒子群算法(Particle Swarm Optimization,簡稱PSO)引入到NLM的決定性參數(shù)λ、M和P的尋優(yōu)求解

4、。選用NLM濾波后信號峭度的倒數(shù)為目標函數(shù),通過設(shè)定目標函數(shù)閾值及最大迭代次數(shù)條件來獲取NLM濾波器最優(yōu)參數(shù),從而構(gòu)成最優(yōu)濾波器實現(xiàn)NLM算法的自適應(yīng)。自適應(yīng)NLM算法的提出能夠解決算法參數(shù)隨機性的問題,可增強算法的數(shù)據(jù)處理效果。這為NLM算法的后期應(yīng)用和推廣做出了有效鋪墊,擁有十分重要的應(yīng)用價值。
  針對非局部均值算法處理低信噪比信號時出現(xiàn)的故障沖擊均值化問題,提出權(quán)重包絡(luò)譜診斷方法。該方法以NLM算法為基礎(chǔ),以算法中的加權(quán)運

5、算為核心,提出直接以信號NLM加權(quán)運算后得到的權(quán)值分布曲線作為信號的包絡(luò)線,從信號樣本點權(quán)重的角度壓制噪聲干擾以凸顯信號中的異常故障脈沖,最后對權(quán)值分布曲線包絡(luò)譜分析得到最終的診斷結(jié)果。以滾動軸承仿真數(shù)據(jù)和實驗室數(shù)據(jù)為例,衡量了權(quán)重包絡(luò)譜診斷方法的性能。結(jié)果表明,權(quán)重包絡(luò)譜診斷方法直接以信號權(quán)重為研究對象,比NLM診斷方法省略了濾波、平均化操作及包絡(luò)計算過程,不僅提高了計算效率,而且能夠有效避免NLM診斷方法的均值化問題,適用于處于低信

6、噪比信號的數(shù)據(jù)處理,能夠彌補傳統(tǒng)NLM算法的缺陷。
  針對權(quán)重包絡(luò)譜診斷方法處理早期微弱故障數(shù)據(jù)效果不佳的問題,提出結(jié)合其他優(yōu)勢算法,融合兩者算法優(yōu)勢,實現(xiàn)算法之間的“優(yōu)勢互補”。權(quán)重包絡(luò)譜診斷方法依賴于信號點加權(quán)運算后的權(quán)重相異性,即故障點與噪聲點的相異性,兩者差異越大則診斷效果越好。因此,提出將最小熵解卷積(Minimum Entropy Deconvolution,簡稱MED)、譜峭度(Spectral Kurtosis,

7、簡稱 SK)和小波包分解(Wavelet Packet Decomposition,簡稱WPD)等方法引入到信號的預(yù)處理中以初步消除噪聲,增大故障點與噪聲點的相異性,再通過權(quán)重包絡(luò)譜診斷方法二次消噪,進而增強故障沖擊特征的凸顯程度。大量數(shù)據(jù)處理結(jié)果表明,該類融合算法可有效解決權(quán)重包絡(luò)譜診斷方法的缺陷,能夠提取出早期微弱故障數(shù)據(jù)中的故障信息,這為滾動軸承的故障特征提取技術(shù)提供了一個新的研究方向。
  最后簡要闡述了虛擬儀器的基本概念

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論