本文關(guān)鍵詞： 滾動(dòng)軸承 經(jīng)驗(yàn)?zāi)B(tài)分解 流形學(xué)習(xí) 局部切空間排列算法 K-means分類器　出處：《安徽工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：滾動(dòng)軸承發(fā)生故障時(shí),其振動(dòng)信號(hào)往往呈現(xiàn)出強(qiáng)烈的非平穩(wěn)以及非線性特征,因此,如何從這些非平穩(wěn)、非線性信號(hào)中獲取故障特征信息并進(jìn)行故障類型的識(shí)別是滾動(dòng)軸承故障診斷的關(guān)鍵。由于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)能夠?qū)φ駝?dòng)信號(hào)進(jìn)行自適應(yīng)分解從而提供信號(hào)的時(shí)域、頻域局部信息,因此,本文將其用于提取滾動(dòng)軸承振動(dòng)信號(hào)的故障特征,構(gòu)造原始特征量。但是,這些原始特征量維數(shù)較高、信息冗余,不利于分類識(shí)別。而流形學(xué)習(xí)局部切空間排列算法(Local Tangent Space Alignment Algorithm,LTSA)作為一種非線性信號(hào)處理方法,具有良好的維數(shù)約簡(jiǎn)能力。為此,將LTSA與EMD相結(jié)合,提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障診斷方法:首先,利用EMD對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行自適應(yīng)分解,并計(jì)算分解所得的內(nèi)稟模態(tài)分量(Intrinsic Mode Function,IMF)的協(xié)方差矩陣特征值,組成滾動(dòng)軸承原始特征集;然后利用LTSA對(duì)原始特征集進(jìn)一步的融合提取;將所得新特征輸入到K-means分類器中進(jìn)行故障識(shí)別。論文主要內(nèi)容如下:(1)以調(diào)心球軸承為實(shí)驗(yàn)對(duì)象,利用SG雙金屬電刻機(jī)進(jìn)行故障加工,從而模擬調(diào)心球軸承滾子、外圈及內(nèi)圈的早期微弱點(diǎn)蝕故障,并利用BVT-5軸承振動(dòng)測(cè)量?jī)x采集了調(diào)心球軸承正常、滾子故障、外圈故障及內(nèi)圈故障四種狀態(tài)的加速度振動(dòng)信號(hào)。(2)通過(guò)對(duì)調(diào)心球軸承四種狀態(tài)下振動(dòng)信號(hào)的實(shí)例研究,驗(yàn)證基于經(jīng)驗(yàn)?zāi)B(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障診斷方法的有效性。(3)通過(guò)對(duì)基于時(shí)頻特征提取與流形學(xué)習(xí)、基于相空間重構(gòu)與流形學(xué)習(xí)和基于經(jīng)驗(yàn)?zāi)B(tài)分解與流形學(xué)習(xí)這三種方法對(duì)不同軸向加載情況下的調(diào)心球軸承故障診斷實(shí)驗(yàn)對(duì)比分析,結(jié)果表明基于經(jīng)驗(yàn)?zāi)B(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障診斷方法最優(yōu),尤其在軸承早期微弱故障診斷方面,優(yōu)勢(shì)更加明顯。
[Abstract]:When rolling bearings fail, their vibration signals often show strong nonstationary and nonlinear characteristics. Obtaining fault characteristic information and identifying fault types in nonlinear signals is the key to fault diagnosis of rolling bearings. Empirical Mode decomposition (EMD) can adaptively decompose vibration signals to provide the time domain of signals. Because of the local information in frequency domain, this paper uses it to extract the fault feature of vibration signal of rolling bearing and construct the original characteristic quantity. However, the dimension of the original characteristic quantity is high, and the information is redundant. However, as a nonlinear signal processing method, Local Tangent Space Alignment algorithm LTSA (Local Tangent Space Alignment algorithm) has good dimensionality reduction ability. Therefore, LTSA is combined with EMD. A fault diagnosis method for rolling bearing based on empirical mode decomposition and manifold learning is proposed. Firstly, the vibration signal of rolling bearing is decomposed adaptively by EMD. The eigenvalues of intrinsic Mode functions are calculated to form the original feature set of rolling bearing, and then the original feature set is extracted by LTSA. The new features are input into K-means classifier for fault identification. The main contents of this paper are as follows: 1) taking the centering ball bearing as the experimental object, the SG bimetallic electrolithography machine is used to process the fault, thus simulating the centering ball bearing roller. Early weak pitting fault of outer ring and inner ring, and using BVT-5 bearing vibration measuring instrument to collect normal ball bearing, roller fault, Vibration signal of acceleration in four states of outer ring fault and inner ring fault. The effectiveness of the fault diagnosis method for rolling bearings based on empirical mode decomposition and manifold learning is verified. Based on the three methods of phase space reconstruction and manifold learning and empirical mode decomposition and manifold learning, the fault diagnosis experiments of spherical bearings under different axial loading conditions are compared and analyzed. The results show that the fault diagnosis method of rolling bearings based on empirical mode decomposition and manifold learning is optimal, especially in the early weak fault diagnosis of bearings.
【學(xué)位授予單位】：安徽工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉志勇;;基于保距與保拓?fù)涞牧餍螌W(xué)習(xí)算法[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版)理工卷;2010年02期

2 周華;蔡超;丁明躍;;基于流形學(xué)習(xí)和流形高階近似的圖像距離度量[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

3 黃鴻;李見(jiàn)為;馮海亮;;融合局部和全局結(jié)構(gòu)的流形學(xué)習(xí)[J];光學(xué)精密工程;2009年03期

4 賀廣南;楊育彬;;基于流形學(xué)習(xí)的圖像檢索算法研究[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

5 金波;;基于年齡流形的人臉圖像年齡識(shí)別[J];中國(guó)新技術(shù)新產(chǎn)品;2011年01期

6 高崢;杜川;;基于流形學(xué)習(xí)算法的人臉識(shí)別研究[J];河南機(jī)電高等�？茖W(xué)校學(xué)報(bào);2011年04期

7 詹煒;;流形學(xué)習(xí)算法概述[J];武漢船舶職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年02期

8 丁玲;唐娉;李宏益;;基于流形學(xué)習(xí)的混合光譜解混分析[J];紅外與激光工程;2013年09期

9 顧艷春;;一種基于線性插值的流形學(xué)習(xí)算法[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

10 張輝遠(yuǎn);;基于高光譜影像的流形學(xué)習(xí)降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

相關(guān)會(huì)議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學(xué)習(xí)算法分析及在人臉數(shù)據(jù)庫(kù)上的應(yīng)用[A];2008年全國(guó)開(kāi)放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

2 劉曉平;季浩;鄧偉財(cái);;基于流形學(xué)習(xí)的非線性系統(tǒng)可視化算法[A];全國(guó)第21屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2010）暨全國(guó)第2屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學(xué)習(xí)的半監(jiān)督文本情感分類算法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學(xué)習(xí)的故障模式識(shí)別方法[A];第九屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 蘇祖強(qiáng);基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障診斷方法研究[D];重慶大學(xué);2015年

2 馬婧華;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械早期故障融合診斷方法研究[D];重慶大學(xué);2015年

3 邢向磊;流形學(xué)習(xí)與稀疏表示在模式識(shí)別中的應(yīng)用[D];南京大學(xué);2013年

4 盧磊;機(jī)械加工過(guò)程中的早期故障微弱信號(hào)處理方法研究[D];哈爾濱工業(yè)大學(xué);2016年

5 郝中華;基于微分流形的非線性降維方法研究[D];上海大學(xué);2016年

6 黃紅兵;層次流形學(xué)習(xí)及其在監(jiān)督分類中的應(yīng)用[D];上海交通大學(xué);2015年

7 杜春;流形學(xué)習(xí)及其應(yīng)用算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

8 李月仙;基于拉普拉斯特征映射算法的旋轉(zhuǎn)機(jī)械故障診斷研究[D];太原理工大學(xué);2016年

9 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學(xué);2014年

10 黃鴻;圖嵌入框架下流形學(xué)習(xí)理論及應(yīng)用研究[D];重慶大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 蔡江林;基于流形學(xué)習(xí)的滾動(dòng)軸承早期微弱故障診斷研究[D];安徽工業(yè)大學(xué);2017年

2 胡浩松;基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障識(shí)別方法研究[D];燕山大學(xué);2015年

3 丁春濤;基于圖嵌入的判別近鄰分析研究及應(yīng)用[D];蘇州大學(xué);2015年

4 余嬋娟;交互式人臉檢索中人機(jī)人臉認(rèn)知一致性研究[D];上海大學(xué);2015年

5 陳明霞;基于半監(jiān)督的多流形學(xué)習(xí)算法研究[D];華僑大學(xué);2015年

6 顧陽(yáng)陽(yáng);基于流形學(xué)習(xí)的雷達(dá)輻射源識(shí)別技術(shù)[D];西安電子科技大學(xué);2014年

7 高漢宇;基于最優(yōu)r-覆蓋堆積數(shù)本征維數(shù)估計(jì)方法及其應(yīng)用[D];西安電子科技大學(xué);2014年

8 羅廷金;基于流形學(xué)習(xí)的數(shù)據(jù)降維算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

9 周韻然;基于流形學(xué)習(xí)的A股上市公司抽樣的信用評(píng)價(jià)[D];電子科技大學(xué);2014年

10 史仍浩;基于流形學(xué)習(xí)的在線社會(huì)網(wǎng)絡(luò)節(jié)點(diǎn)分類[D];上海交通大學(xué);2013年

，

本文編號(hào)：1502614