本文關(guān)鍵詞：基于二次SVD和VPMCD的滾動(dòng)軸承故障智能診斷方法研究

  更多相關(guān)文章： 二次奇異值分解 VPMCD 滾動(dòng)軸承 故障診斷

【摘要】：近年來(lái),我國(guó)科技水平突飛猛進(jìn),伴隨著新型工業(yè)化進(jìn)程,大規(guī)模機(jī)械化應(yīng)用日益普及,自動(dòng)化、信息化程度越來(lái)越高,并已趨于智能化,有力地推動(dòng)了經(jīng)濟(jì)和社會(huì)的飛速發(fā)展。然而,機(jī)械在工業(yè)生產(chǎn)和應(yīng)用中的非計(jì)劃停機(jī)或局部故障會(huì)直接導(dǎo)致生產(chǎn)效益受損和巨額經(jīng)濟(jì)損失,甚至造成安全事故。滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備中的關(guān)鍵性部件,它的運(yùn)行狀態(tài)往往直接影響整機(jī)的性能。因此,對(duì)其運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和診斷具有十分重要的意義。滾動(dòng)軸承故障診斷的實(shí)質(zhì)可歸結(jié)為信號(hào)的特征提取與故障識(shí)別過(guò)程。本文針對(duì)滾動(dòng)軸承早期微弱故障信息難以提取、故障類(lèi)型識(shí)別率低的問(wèn)題,提出了基于二次奇異值分解(Singular value decomposition,SV D)和變量預(yù)測(cè)模型模式識(shí)別(Variable predictive model based class discriminate,VPMCD)的軸承故障智能診斷方法,該方法能自適應(yīng)根據(jù)滾動(dòng)軸承振動(dòng)信號(hào)的自身特點(diǎn),提取出微弱的故障特征,進(jìn)行故障識(shí)別。論文的主要研究?jī)?nèi)容如下：(1)研究了SVD方法在信號(hào)處理中的應(yīng)用機(jī)理,提出了基于二次SVD的信號(hào)處理方法。該方法能夠有效解決SVD對(duì)不同信號(hào)分解得到的有效奇異值個(gè)數(shù)不同,而影響故障識(shí)別準(zhǔn)確性的難題,并結(jié)合能量矩在特征提取中的優(yōu)勢(shì),成功將該方法應(yīng)用于實(shí)際軸承早期微弱故障信息的特征提取,實(shí)驗(yàn)結(jié)果證明該方法準(zhǔn)確有效。此外,二次SVD方法采用奇異值貢獻(xiàn)率方法,根據(jù)故障信號(hào)自身特點(diǎn),自適應(yīng)構(gòu)造Hankel矩陣維數(shù),大大減少了SVD處理大型矩陣的計(jì)算時(shí)間,為實(shí)現(xiàn)軸承故障在線(xiàn)監(jiān)測(cè)與診斷提供了技術(shù)基礎(chǔ)。同時(shí),該方法利用奇異值曲率譜方法自動(dòng)選擇有效奇異值,使得二次SVD方法進(jìn)一步弱化了經(jīng)驗(yàn)知識(shí)與限定條件,處理方法更加智能化。(2)、PMCD是一種新型的模式識(shí)別方法,本文采用VPMCD建立故障識(shí)別模型,該模型利用故障特征征值之間的相互內(nèi)在關(guān)系,針對(duì)不同的故障類(lèi)別獲得不同的故障識(shí)別模型,采用這些故障識(shí)別模型對(duì)被測(cè)樣本的特征值進(jìn)行預(yù)測(cè),把預(yù)測(cè)結(jié)果作為故障識(shí)別依據(jù)。因此,該模型非常適合于處理非線(xiàn)性多模式故障識(shí)別問(wèn)題,而且其本質(zhì)是參數(shù)識(shí)別的過(guò)程,避免了人工神經(jīng)網(wǎng)絡(luò)(Artificial neuralnetworks, ANNs)的迭代和支持向量機(jī)(Support vector machine,SVM)的尋優(yōu)過(guò)程,大大減少了計(jì)算量和訓(xùn)練時(shí)間,提高了算法的運(yùn)算效率。(3)針對(duì)滾動(dòng)軸承早期微弱故障信息難以提取、故障類(lèi)型識(shí)別率低的問(wèn)題,本文將基于二次SVD和VPMCD的軸承故障智能診斷方法應(yīng)用到實(shí)際滾動(dòng)軸承局部微弱故障狀態(tài)下的故障診斷,證明了該方法的可行性和有效性,實(shí)現(xiàn)了信號(hào)處理到模式識(shí)別的全智能化。此外,將本文方法與近年來(lái)在軸承故障診斷中比較有代表性的方法進(jìn)行對(duì)比分析(分別從特征提取和模式識(shí)別兩方面進(jìn)行對(duì)比分析),驗(yàn)證了本文所提方法的優(yōu)越性。同時(shí),凸顯出該方法在軸承故障診斷中準(zhǔn)確率高、算法運(yùn)行快等優(yōu)勢(shì),為實(shí)現(xiàn)滾動(dòng)軸承故障在線(xiàn)智能診斷提供了一個(gè)有效新途徑。
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TH133.33;TH165.3

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前7條

1 趙學(xué)智;葉邦彥;陳統(tǒng)堅(jiān);;基于奇異值曲率譜的有效奇異值選擇[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年06期

2 ;Boundary-processing-technique in EMD method and Hilbert transform[J];Chinese Science Bulletin;2001年11期

3 趙學(xué)智;葉邦彥;陳統(tǒng)堅(jiān);;多分辨奇異值分解理論及其在信號(hào)處理和故障診斷中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2010年20期

4 凌國(guó)民;SVD及其在譜分析中的應(yīng)用[J];聲學(xué)與電子工程;1986年01期

5 廖傳軍;李學(xué)軍;劉德順;;STFT在AE信號(hào)特征提取中的應(yīng)用[J];儀器儀表學(xué)報(bào);2008年09期

6 蔣永華;湯寶平;董紹江;;自適應(yīng)Morlet小波降噪方法及在軸承故障特征提取中的應(yīng)用[J];儀器儀表學(xué)報(bào);2010年12期

7 程軍圣;馬興偉;楊宇;;基于排列熵和VPMCD的滾動(dòng)軸承故障診斷方法[J];振動(dòng)與沖擊;2014年11期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 楊立龍;基于譜峭度和EMD的滾動(dòng)軸承早期故障檢測(cè)與診斷增強(qiáng)[D];哈爾濱工業(yè)大學(xué);2009年

2 李杰;基于LCD和VPMCD的滾動(dòng)軸承故障診斷方法[D];湖南大學(xué);2013年

，

本文編號(hào)：1152337