| 【中文题名】 | 基于HHT和D-S理论的离心泵故障诊断方法研究 |
| 【英文题名】 | The Research of Diagnosis Method Based on HHT and D-S Theory for Centrifugal Pump |
| 【学科专业】 | 热能工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-5 |
| 【中关键词】 | Hilbert-Huang变换,RBF神经网络,D-S证据理论,故障诊断,, |
| 【英关键词】 | Hilbert-Huang Transform,Radial Basis Function Neural Networks,D-S Evidence Theory,Fault Diagnosis, |
| 【分类导航】 | 工业技术>机械、仪表工业>泵>叶片式泵>离心泵> |
| 【论文摘要】 |
设备故障诊断是一门各学科交叉的新技术,近20多年来,得到了迅速发展,并产生了巨大的经济效益。由于离心泵故障信号是非平稳信号,因此有必要选择恰当的适合于非平稳信号分析的信号处理方法。常用的时频分析方法如窗口傅立叶变换(Windowed Fourier Transform),WVD(Wigner-Ville Distribution)、小波变换等都有各自的局限性。近来,一种适合于处理非平稳信号的时频分析方法Hilbert-Huang变换(Hilbert-Huang Transform,简称HHT)被提出来以后,经验证在很多方面的应用效果都优于其它的信号处理方法。
信息融合是近年来兴起的一门学科,在许多领域得到了广泛的研究和应用,在离心泵故障诊断领域的应用尚处于起步阶段。离心泵故障诊断中可利用的信息很多,只有充分利用有用的信息来对离心泵的故障进行诊断才能提高故障诊断的精度和可靠性,因此故障诊断实质上是一个多信息融合的过程。针对设备故障诊断中存在的处理数据量大、故障类型复杂多变、领域知识难于准确获得、故障识别率低的现状,本文提出了一种Hilbert-Huang变换(HHT)、神经网络和证据理论相结合... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
ABSTRACT |
7-11 |
|
第1章 绪论 |
11-18 |
|
1.1 引言 |
11 |
|
1.2 离心泵故障的概述 |
11-15 |
|
1.3 机械故障诊断的国内外发展现状及分析 |
15-17 |
|
1.4 本课题所要研究的内容 |
17-18 |
|
第2章 实验装置及实验方法 |
18-25 |
|
2.1 离心泵实验台 |
18-20 |
|
2.2 实验系统 |
20-22 |
|
2.3 实验步骤 |
22-25 |
|
第3章 HHT 的基本理论和算法 |
25-44 |
|
3.1 引言 |
25-26 |
|
3.2 基本概念 |
26-28 |
|
3.3 经验模态分解(EMD)方法的基本原理和算法 |
28-31 |
|
3.4 基于EMD 的希尔伯特变换（HHT）的基本原理和算法 |
31-33 |
|
3.5 EMD 算法的几个关键问题 |
33-35 |
|
3.6 HHT 与傅立叶变换、小波包变换的简单比较 |
35-43 |
|
3.7 本章小结 |
43-44 |
|
第4章 HHT 与神经网络联合的故障诊断技术 |
44-55 |
|
4.1 人工神经网络概述 |
44 |
|
4.2 神经网络的拓扑结构 |
44-45 |
|
4.3 神经网络的学习方式 |
45-46 |
|
4.4 径向基函数神经网络（RBFN） |
46-52 |
|
4.5 基于HHT 和RBF 的子网络故障诊断 |
52-53 |
|
4.6 本章小结 |
53-55 |
|
第5章 基于证据理论的信息融合 |
55-67 |
|
5.1 引言 |
55-56 |
|
5.2 证据理论的基本概念与公式 |
56-58 |
|
5.3 证据理论规则 |
58-59 |
|
5.4 基于基本概率赋值的决策 |
59 |
|
5.5 证据理论的推理结构及其优势 |
59-60 |
|
5.6 多传感器多测量周期可信度分配的融合 |
60-63 |
|
5.7 D-S 证据理论信息融合的算例分析 |
63-66 |
|
5.8 本章小结 |
66-67 |
|
结论 |
67-69 |
|
参考文献 |
69-74 |
|
致谢 |
74 |
|
| 【DOI】 | LunWen.ID:2.2008.383456 |
