免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        盲源分離滾動軸承復合故障診斷方法

                        添加時間:2019/01/04 來源:重慶交通大學 作者:陳長沙
                        本文基于石化企業發展帶來的海量運行數據的現狀,提出采用數據驅動技術對數據進行預處理與分析,進一步采用數據驅動下基于人工智能與統計分析方法建立數據故障診斷模型,實現自動化的故障診斷。
                        以下為本篇論文正文:

                        摘要

                          在實際石化裝備工業運行過程中,監控其運行的傳感器往往會采集到大量包含狀態信息與故障特征的重要信息,可以用于裝備的狀態監測與故障診斷。當前設備運行的狀態變化會時刻影響信號的相關特征參數,根據相關特征參數的分布情況可以間接掌握設備的當前運動狀態。因此,狀態監測與故障診斷成功與否的前提和關鍵在于如何從強干擾的機械狀態信號中提煉出絕對有用、能夠客觀評價和判斷診斷對象的狀態特征。在實際工業現場中,往往存在大量背景干擾噪聲、多種未知的機械結構源信號相互耦合以及傳感器數目小于源信號數目等多種因素,加之傳感器拾取的觀測信號的傳輸過程未知,傳感器獲取的觀測信號往往都是所有可能因素影響以及信號混雜后的結果,因此,難以直接獲取有價值的故障特征信息。為了能夠準確、高效地提取故障源目標信號,前提必須盡可能地將背景噪聲和其他干擾信號進行抑制或排除。

                          針對上述問題,本論文面對石化行業裝備運行過程中故障診斷存在的問題,以石化裝備軸承智能故障診斷系統為切入點,首先展開石化裝備故障診斷系統的需求分析,多角度剖析確定系統總體的邏輯框架。然后通過分析石化裝備滾動軸承智能故障診斷中數據采集的技術及實現過程,結合數據驅動的思想及優點,分別對石化裝備滾動軸承智能故障診斷系統的邏輯框架的三個層面:即數據預處理、數據驅動下基于人工智能的故障診斷、數據驅動下基于統計方法估計盲源分離信號的故障診斷進行分析研究。論文的主要工作及創新之處如下:

                          1、數據驅動下改進小波分析的滾動軸承故障信號降噪;趥鹘y小波閾值降噪原理,提出一種新的改進小波閾值除噪的方法,設計衡量各個尺度下小波系數的標準差估計指標,并基于此構造一種新的自適應的閾值過濾函數,實現對采集信號的過濾去噪預處理,模擬仿真及實例仿真驗證均表明其降噪有效性。

                          2、數據驅動下耦合交互的滾動軸承復合故障解耦診斷。針對復合故障數據耦合交互特點,首先引入線性判別分析理論,將數據進行解耦映射,采用數據驅動下 BP 神經網絡診斷方法進行解耦模式辨識,考慮到復合故障數據耦合程度較高,提出利用核函數作用下的線性判別分析解耦,進一步采用極限學習機進行模式辨識,將模型進行對比驗證其改進的有效性。

                          3、數據驅動下滾動軸承復合故障盲源分離辨識與診斷。對于降噪后的復合故障數據,設計盲源分離方法進行分離,引入實際系統誤差及觀測誤差,進一步引入總體最小二乘方法對分離的信號進行優化估計,設計實驗仿真驗證算法分離辨識信號的能力。

                          關鍵詞:數據驅動,滾動軸承故障診斷,改進小波閾值降噪,解耦,盲源分離

                        ABSTRACT

                          In the actual operation of the petrochemical equipment industry, the sensors that monitor its operation often collect a large amount of important information that contains status information and fault characteristics, which can be used for equipment condition monitoring and fault diagnosis.Therefore, the premise and key factor in condition monitoring and fault diagnosis is how to extract the state characteristics from the strong interference of the mechanical signals, and it is absolutely useful to objectively evaluating and diagnosing the object. However, in the actual industrial field, there is a lot of background interference such as a variety of mechanical structure and the unknown noise source signal coupling, resulting in the number of sensors less than the number of source signals often exists,also coupled with the transmission process of unknown factors like observation signal collected by the sensor often contains any possible factors and fault, to estimate the fault source signal, we can directly obtain from the observed signal valuable information. Therefore, in order to extract the fault source signal accurately and efficiently, we must suppress the background noise and other interference signals as much as possible.

                          In view of the above problems, the paper faces the problems in the fault diagnosis of the equipment operation in the petrochemical industry. Taking the intelligent fault diagnosis system of the petrochemical equipment bearing as the starting point, the demand analysis of the fault diagnosis system of the petrochemical equipment is firstly carried out, and the overall system is determined by vary analysis.Through the requirement analysis of the petrochemical equipment rolling bearing intelligent fault diagnosis system framework, we hackle the logical framework analysis that the accuracy of the data, the effectiveness is the basis of intelligent fault diagnosis.

                          Combining the current analysis and realization of petrochemical equipment’s rolling bearing data acquisition technology in intelligent fault diagnosis process , we summarize the advantage and disadvantage of data driven below:the logical framework of intelligent fault diagnosis system data preprocessing, data driven fault diagnosis based on artificial intelligence and data driven based on blind source separation statistical estimation method. The main work and innovations of this paper are:

                          1. Data-driven denoising rolling bearing fault signals by the improved wavelet analysis method. Based on the principle of traditional wavelet threshold denoising, a new method of wavelet threshold denoising is proposed. we design the standard deviation estimation index of the wavelet coefficients at each scale, and based on this,we construct a new adaptive threshold filtering function to realized filtering and denoising pretreatment of the collected signal.Finally by the simulation and example simulation,we verify the effectiveness of noise reduction.

                          2. Data-driven decoupling rolling bearing multiple faults signals. In view of the coupling interaction characteristics of multiple fault data, we proposed linear discriminant analysis theory to decouple data mapping, based on this,we put data-driven artificial intelligence BP diagnosis method for decoupling mode identification. Considering the high coupling degree of multiple fault data,we propose the kernel function linear discriminant analysis method. Under this function ,the multiple faults are decoupled, and furtherly the extreme learning machine is used for pattern recognition. At last,we compared these two models to verify the improved validity.

                          3. Data-Driven separating rolling bearings multiple faults signals by blind source separation method. For the de-noised multiple fault data, the blind source separation method is designed to separate, the actual system error and observation error are introduced, the total least-squares method is further introduced to optimize the separated signal, and the experimental simulation is designed to verify the ability of the algorithm to separate the identification signal.

                          KEY WORDS: data driven, rolling bearing fault diagnosis, improved wavelet threshold denosing, decoupling, blind source separation

                          隨著計算機技術、智能化技術等的不斷發展,石化裝備等大型工業設備日趨大型化、自動化,極大提升工業生產及運作規模,使得工業生產成本大大降低、生產效率不斷提高、能源損耗也相應減少,然而,在滿足工業生產需求的同時,旋轉機械復雜性也直接導致其運行過程中存在較大安全隱患:設備的主要零部件一旦發生故障,其鏈式結構工作機制就可能直接導致整臺設備的運行狀態、使用壽命以及工作精度發生惡化,帶來極大的安全隱患的同時也極有可能導致企業巨大的經濟損失[1]。因此,自動化故障監測與診斷的智能技術將成為石化行業解決設備故障的重要手段。

                          與傳統的基于專家知識的故障診斷技術[2]不同,數據驅動的智能故障診斷技術主要依賴于數據,該智能故障診斷技術的數據采集技術融合信息傳輸、電子傳感器、信號處理及控制等多個領域技術,實現了技術的集成與協調控制,建立起一種應用更廣泛、處理更全面、實時、準確、高效的智能故障診斷集成服務系統。

                          該技術將故障診斷由人工檢測時代帶入到智能自動化檢測判別時代,解決目前石化行業常常面臨的缺乏維修以及過度檢修、成本控制等棘手問題,給石化企業有效降低設備安全隱患帶來可能。

                          數據驅動故障診斷技術是智能故障診斷系統的核心模塊,其協同其它子模塊共同完成智能故障診斷,其中綜合信息管理平臺是負責集成多個子模塊,通過該平臺可以展現系統的輸出,依此做出相應的決策。系統輸出的可靠性依賴前端的傳感器,近年來隨著設備傳感器技術、電子信息技術的高速發展,大量設備傳感器以及視頻監控設備裝置已被廣泛投入到企業生產及管理中。工業界生產商可根據采集到的海量設備運行數據實現設備監控與設備可靠性檢測,發現潛在設備機組故障風險,及時采取安全維護措施,盡可能減少因前期潛在微小故障缺少及時維護而導致重大故障發生的事件。數據驅動技術融合了統計學、控制學等多個方面的學科,在建模方面有較強的理論依據,在應用方面特別適用于復雜工業海量數據的背景,能有效建立關于復雜系統的輸入輸出模型,既保證模型的數學合理性,也能體現工業實際過程的內在的運行規律[3]。數據驅動應用于故障診斷是近年來被廣泛關注的領域,具有十分重要的理論發展意義與應用價值。數據驅動故障診斷技術基于數據驅動控制思想,結合工業運行復雜裝備自身的運行機制,構建一套適用于工業設備故障檢測與診斷的模型。目前主流的數據驅動故障診斷技術主要分為三類:基于統計分析的方法、基于信號分析的方法以及基于定量的人工智能方法。

                          數據驅動技術與基于模型的診斷技術不是絕對獨立的,在難以完全獲得建立分析模型的所需參數的情況下,數據驅動技術就可以實現建立模型,基于數據驅動的技術還可以考慮到模型構建中故障指標變量相關性以及系統的非線性等方面的問題,國內外對其關注程度日益增加。國際上,美國 University of Minnesota 于2002 年主辦題為“IMA hot topics workshop :Data-driven control and optimization”

                          的研討會。在國內,2008 年國家自然科學基金委就召開主題為“基于數據的控制、決策、調度和故障診斷”的開創性會議,會議就數據驅動的思想、技術及應用進行報告,這表明國內關于數據驅動的故障診斷技術已得到了高度重視,而后大批學者開始投入到數據驅動技術的研究中,發表大量關于數據驅動故障診斷技術的理論成果,有的甚至還進行工業推廣應用,取得大量較好的成果。

                          因此,本文將立足于石化行業設備故障診斷領域,繼續探討分析數據驅動技術在故障診斷領域的應用,利用數據驅動技術來設計設備故障特征提取以及故障類型辨識兩個方面,以及將它們應用在實際石化機組智能故障診斷系統中。

                          隨著石化企業的發展,越來越多的情況表明,傳統的基于模型的故障診斷其模型建立參數設定的不確定性,及適用條件假設太過理想化,這給石化故障診斷帶來較大不便,因此,在應用與推廣方面都受到較大的限制。

                          與傳統建立模型的思想不同,數據驅動故障診斷技術不需要獲取模型參數,不需要設計特別強的假設,采用的是一種類似只有輸入與輸出的“黑箱”式理論[5]-[6],在“黑箱”理論中,設備故障發生的復雜過程只存在輸入與輸出,不具體分析其發生的內部機理及詳細過程,直接根據輸入與輸出數據建立一種類似規律的推測模型,根據推導出的規則進行決策。

                          盲源分離滾動軸承復合故障診斷:

                        改進小波閾值去噪效果對比圖
                        改進小波閾值去噪效果對比圖

                        振動烈度信號 minmax 軟閾值處理降噪圖
                        振動烈度信號 minmax 軟閾值處理降噪圖

                        振動烈度信號本章改進軟閾值處理降噪圖
                        振動烈度信號本章改進軟閾值處理降噪圖

                        軸承測試樣本經 LDA 映射后分布圖
                        軸承測試樣本經 LDA 映射后分布圖

                        本章方法診斷準確率
                        本章方法診斷準確率

                        目 錄

                          第一章 緒論
                            1.1 課題研究背景
                            1.2 課題研究目的及意義
                            1.3 國內外研究現狀及存在的問題
                              1.3.1 數據驅動的國內外研究現狀
                              1.3.2 數據驅動應用在石化裝備故障診斷領域的研究現狀及問題
                            1.4 論文的研究內容及結構安排
                            1.5 小結
                          第二章 石化裝備軸承智能故障診斷系統需求分析及數據采集技術
                            2.1 石化裝備軸承智能故障診斷系統需求分析及故障配件裝置
                              2.1.1 石化裝備軸承智能故障診斷系統需求分析
                              2.1.2 石化裝備軸承智能故障診斷系統故障配件裝置
                            2.2 石化裝備軸承智能故障診斷系統數據采集與處理
                              2.2.1 石化裝備軸承智能故障診斷系統數據采集與處理總體框架
                              2.2.2 石化裝備軸承智能故障診斷系統數據采集與處理具體實現
                            2.3 數據驅動技術應用在石化裝備故障診斷中的優劣分析
                            2.4 小結
                          第三章 數據驅動下滾動軸承復合故障的信號降噪方法
                            3.1 滾動軸承故障信號降噪背景
                              3.1.1 石化裝備滾動軸承振動機理及噪聲產生過程
                              3.1.2 石化裝備滾動軸承失效形式及特征分析
                            3.2 改進的滾動軸承故障信號小波閾值降噪方法
                              3.2.1 小波降噪的基本原理
                              3.2.2 傳統小波降噪的閾值選取方法
                              3.2.3 改進的滾動軸承故障信號小波閾值降噪方法
                            3.3 實驗仿真與結果分析
                              3.3.1 模擬仿真
                              3.3.2 實例仿真
                            3.4 本章小結
                          第四章 數據驅動下耦合交互的滾動軸承復合故障解耦診斷方法......26
                            4.1 引言
                            4.2 數據驅動下線性判別分析的滾動軸承復合故障解耦診斷方法
                              4.2.1 線性判別分析解耦基礎理論
                              4.2.2 數據驅動下基于線性判別分析解耦的 BP 診斷方法
                              4.2.3 數據驅動下基于線性判別分析解耦診斷方法的仿真驗證
                            4.3 數據驅動下改進線性判別分析的滾動軸承復合故障解耦診斷方法
                              4.3.1 核函數作用下線性判別分析解耦理論
                              4.3.2 數據驅動下核線性判別分析解耦的 ELM 故障模式辨識方法
                              4.3.3 數據驅動下耦合交互的滾動軸承復合故障解耦診斷算法設計
                              4.3.4 算法驗證及仿真分析
                            4.4 本章小結
                          第五章 數據驅動下滾動軸承復合故障信號盲源分離辨識診斷方法
                            5.1 引言
                            5.2 盲源分離理論概述
                              5.2.1 盲源分離基本思想
                              5.2.2 多故障信號盲源分離辨識規則
                            5.3 數據驅動下滾動軸承復合故障信號的盲源分離辨識與診斷方法
                              5.3.1 滾動軸承復合故障信號盲源分離辨識與診斷方法
                              5.3.2 算法評價指標
                              5.3.3 滾動軸承復合故障信號分離辨識與診斷算法設計
                              5.3.4 算法驗證及仿真分析
                            5.4 石化裝備智能故障診斷系統 GUI 設計
                            5.5 本章小結
                          第六章 總結與展望
                            6.1 論文結論
                            6.2 主要創新點
                            6.3 研究展望
                          致謝
                          參考文獻
                          作者在攻讀碩士期間的主要工作目錄
                          一、發表的論文
                          二、申請的專利
                          三、參與的科研項目

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        相關標簽:機械畢業設計
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!
                        免费看男阳茎进女阳道视频