学位论文 > 优秀研究生学位论文题录展示

基于模式识别的机械设备故障智能诊断方法研究

作　者: 孙芳
导　师: 柳亦兵
学　校: 华北电力大学（北京）
专　业: 模式识别与智能系统
关键词: 小波包分析神经网络模糊聚类模糊推理故障诊断
分类号: TP277
类　型: 硕士论文
年　份: 2007年
下　载: 256次
引　用: 4次
阅　读: 论文下载

内容摘要

本文主要研究智能模式识别方法，研究对象为机械设备轴承和齿轮，研究内容包括：1)基于小波包的特征值提取。振动信号本身存在多周期成分、调制的现象，其故障信息在某些频带部分表现得会更加突出，传统的特征值提取方法未能表现各个频带对故障信息的敏感情况，小波包(Wavelet Packet)方法是一种将频带多层次划分的更加精细的分析方法，利用其得到不同频带的小波包系数，提取小波包系数的16种时域特征值，以便突出某些频带的故障信息。最后选取小波包系数方差作为特征值。2)模式识别。对典型的模式识别方法-聚类法、神经网络和模糊法，作了具体研究和实现。基于小波包系数方差这一特征值，比较模式分类结果，验证了模糊理论的必要性，并确定BP神经网络和自适应神经网络(Adaptive NN)为较好的智能模式识别方法。3)综合分析。研究中发现，单一的模式识别方法得到的针对研究对象的分类结果准确度不高。尝试将模式识别方法相结合，作进一步的分析。模糊聚类和BP神经网络相结合，模糊推理和自适应神经网络(Adaptive NN)相结合，对其故障状态模式分类。结论：基于小波包系数方差这一特征值，综合模式识别结果的准确度有了更大的提高。

全文目录

中文摘要  3
英文摘要  3-6
第一章引言  6-13
  1.1 选题的意义  6
  1.2 智能故障诊断方法的发展及现状  6-11
    1.2.1 小波分析  7-9
    1.2.2 神经网络  9-10
    1.2.3 模糊理论  10-11
  1.3 本文的研究内容  11-12
  1.4 本文的内容安排  12-13
第二章基于小波包的振动故障特征值提取技术  13-39
  2.1 小波分析  13-16
    2.1.1 连续小波变换  13-14
    2.1.2 离散小波变换  14-15
    2.1.3 二进制小波变换  15-16
  2.2 多分辨分析  16-17
  2.3 小波包分析  17-22
    2.3.1 小波包定义  17-18
    2.3.2 小波包的空间分解  18-19
    2.3.3 小波包频谱混叠现象  19-21
    2.3.4 小波包的分解与重构  21
    2.3.5 最优小波包基的选择  21-22
  2.4 特征值提取方法  22-25
    2.4.1 振动信号时域特征值分析  23-24
    2.4.2 振动信号频域特征值分析  24-25
  2.5 工程信号实例分析  25-38
    2.5.1 轴承振动信号分析  25-32
    2.5.2 齿轮振动信号分析  32-38
  2.6 小结  38-39
第三章模式识别  39-66
  3.1 聚类分析  39-43
    3.1.1 概述  39-40
    3.1.2 分析方法  40-43
  3.2 模糊理论  43-50
    3.2.1 模糊聚类方法  43-45
    3.2.2 模糊推理方法  45-50
  3.3 神经网络  50-59
    3.3.1 神经网络的“三要素”  50-58
    3.3.2 常用的神经网络  58-59
  3.4 工程信号实例分析  59-65
    3.4.1 聚类分析  59-61
    3.4.2 神经网络模式分类法  61-65
  3.5 小结  65-66
第四章综合分析  66-88
  4.1 模糊聚类理论与 BP神经网络结合的故障智能模式识别方法  66-73
    4.1.1 实现步骤  66-70
    4.1.2 工程信号实例分析  70-73
  4.2 模糊推理方法与神经网络结合的故障模式识别方法  73-87
    4.2.1 神经网络和模糊推理相结合的主要方式  73-76
    4.2.2 自适应神经网络-模糊推理系统  76-78
    4.2.3 工程信号实例分析  78-87
  4.3 小结  87-88
第五章结论与展望  88-90
  5.1 结论  88-89
  5.2 研究工作的展望  89-90
参考文献  90-94
致谢  94-95
在学期间发表论文和参加科研情况  95

基于模式识别的机械设备故障智能诊断方法研究

内容摘要

全文目录

相似论文