本文關(guān)鍵詞： 滾動軸承故障診斷 局部均值分解(LMD) 提升小波 粒子群優(yōu)化BP網(wǎng)絡(luò)　出處：《燕山大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

【摘要】：滾動軸承作為機(jī)械設(shè)備中使用非常廣泛的基礎(chǔ)部件,其運(yùn)行狀況的良好與否與整個系統(tǒng)的功能實現(xiàn)和安全生產(chǎn)有著直接的關(guān)系。工業(yè)技術(shù)如今發(fā)展飛速,人們意識到滾動軸承的穩(wěn)定高效運(yùn)行非常重要。論文以滾動軸承振動信號為基礎(chǔ),研究了滾動軸承故障診斷方法并做仿真及實驗驗證。首先,介紹了滾動軸承的構(gòu)造、分類、振動原理以及常見的軸承故障診斷分析方法。針對以往軸承故障診斷技術(shù)的局限性,提出基于多特征量提取及粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法。其次,引入了局部均值分解算法(Local Mean Decomposition,LMD)對振動信號分解。LMD分析方法能夠有效地處理復(fù)雜信號,顯示信號的局部特征。但是,由于實際信號常常會包含有大量的噪聲,噪聲會對局部均值分解算法的精度和效果產(chǎn)生嚴(yán)重影響。提升小波結(jié)構(gòu)簡單,構(gòu)造方法靈活,因此本文引入提升小波消噪方法,對信號進(jìn)行提升小波消噪后再進(jìn)行LMD分解。通過一系列的仿真實驗驗證了該方法的有效性。然后,提取故障信號的時域特征指標(biāo)、樣本熵以及LMD分解后PF分量的能量,共同組成特征向量。利用時域特征參數(shù)可以對軸承故障進(jìn)行分類,樣本熵可以用來反映信號的復(fù)雜程度,LMD分解后各個PF分量的能量可以體現(xiàn)信號較深層次的信息。時域特征指標(biāo)、樣本熵、能量特征指標(biāo)分別從系統(tǒng)的不同特性出發(fā)來描述系統(tǒng)的內(nèi)部信息。這些特征量共同輸入神經(jīng)網(wǎng)絡(luò)分類模型,可以使信息互補(bǔ),彌補(bǔ)單一特征量的信息缺失。在對軸承故障的狀態(tài)識別時,針對BP神經(jīng)網(wǎng)絡(luò)的收斂性問題,引入粒子群對BP網(wǎng)絡(luò)優(yōu)化。粒子群優(yōu)化算法(Particle Swarm Optimizer,PSO)是一種新的基于群體智能的優(yōu)化算法,有極強(qiáng)的全局搜索能力。PSO算法參數(shù)中,針對其重要的參數(shù)慣性權(quán)重,本文采用隨機(jī)慣性權(quán)重法結(jié)合壓縮因子的混合粒子群算法。對于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,利用混合PSO算法進(jìn)行優(yōu)化,有助于BP網(wǎng)絡(luò)快速收斂到全局最優(yōu)點(diǎn)。最后,將美國凱斯西儲大學(xué)滾動軸承故障數(shù)據(jù)作為研究對象,分別對滾動軸承不同類型和不同損傷程度兩個方面進(jìn)行實驗分析,結(jié)果表明,基于多特征量提取和粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法能夠取得良好的效果。
[Abstract]:As a widely used basic component in mechanical equipment, rolling bearing has a direct relationship with the function realization and safe production of the whole system. People realize that the stable and efficient operation of rolling bearing is very important. Based on the vibration signal of rolling bearing, the fault diagnosis method of rolling bearing is studied, and the simulation and experimental verification are done. Firstly, the structure and classification of rolling bearing are introduced. Vibration principle and common bearing fault diagnosis and analysis method. In view of the limitation of the previous bearing fault diagnosis technology, a rolling bearing fault diagnosis method based on multi-feature extraction and particle swarm optimization neural network is proposed. Secondly, The local mean decomposition algorithm (LMD) is introduced to decompose the vibration signal. LMD analysis method can deal with the complex signal effectively and display the local characteristics of the signal. However, the actual signal usually contains a lot of noise. Noise will have a serious impact on the accuracy and effect of the local mean decomposition algorithm. Lifting wavelet is simple in structure and flexible in construction, so the lifting wavelet denoising method is introduced in this paper. The signal is de-noised by lifting wavelet and then decomposed by LMD. The validity of the method is verified by a series of simulation experiments. Then, the time-domain characteristic index of fault signal, sample entropy and the energy of PF component after LMD decomposition are extracted. Using time domain characteristic parameters to classify bearing faults, The sample entropy can be used to reflect the complexity of the signal and the energy of each PF component after LMD decomposition can reflect the deeper information of the signal. The energy characteristic indexes describe the internal information of the system according to the different characteristics of the system. These features are input into the neural network classification model together, which can make the information complement each other. In order to solve the problem of the convergence of BP neural network, when identifying the state of bearing fault, Particle swarm optimization algorithm (PSO) is a new optimization algorithm based on swarm intelligence. In this paper, a hybrid particle swarm optimization algorithm based on random inertial weight method and compression factor is used. For the weight and threshold of BP neural network, the hybrid PSO algorithm is used to optimize the BP neural network, which helps the BP network converge quickly to the global optimum. Taking the rolling bearing fault data of case Western Reserve University as the research object, the experimental analysis of different types and different damage degree of rolling bearing is carried out. The results show that, The bearing fault diagnosis method based on multi-feature extraction and particle swarm optimization neural network can achieve good results.
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH133.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;軸承故障診斷有了“透視鏡”[J];機(jī)電設(shè)備;2001年06期

2 薛松;程珩;楊勇;;偽Wigner-Ville分布在電機(jī)軸承故障診斷中的應(yīng)用[J];機(jī)械工程與自動化;2008年04期

3 趙志宏;楊紹普;;一種基于樣本熵的軸承故障診斷方法[J];振動與沖擊;2012年06期

4 黃晉英;潘宏俠;畢世華;楊喜旺;;基于高階累量譜的軸承故障診斷[J];火炮發(fā)射與控制學(xué)報;2007年02期

5 陶新民;徐晶;劉興麗;劉玉;;基于最大小波奇異譜的軸承故障診斷方法[J];振動、測試與診斷;2010年01期

6 喬世民;軸承故障診斷技術(shù)的發(fā)展[J];中國設(shè)備管理;1989年01期

7 李正安,李登嘯;單片機(jī)軸承故障診斷系統(tǒng)[J];軸承;1992年03期

8 楊望燦;張培林;張云強(qiáng);;基于鄰域自適應(yīng)局部保持投影的軸承故障診斷模型[J];振動與沖擊;2014年01期

9 朱文來;;希爾伯特-黃變換在軸承故障診斷中的應(yīng)用研究[J];科技創(chuàng)新導(dǎo)報;2013年34期

10 任國全,韋有民,鄭海起;基于小波分析的軸承故障診斷研究[J];河北省科學(xué)院學(xué)報;2002年02期

相關(guān)會議論文 前10條

1 任獲榮;馬亞男;李勝剛;;熵隨機(jī)共振在軸承故障診斷中的應(yīng)用研究[A];2012年陜西省焊接學(xué)術(shù)交流會論文集[C];2012年

2 李琳;張永祥;童艷;;基于聲發(fā)射和高階譜分析的滾動軸承故障診斷[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2005年

3 高耀智;譚援強(qiáng);;基于1(1/2)譜與小波分析相結(jié)合的滾動軸承故障診斷[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會議論文集[C];2009年

4 陶新民;徐晶;杜寶祥;徐勇;;基于相空間奇異譜的SOM軸承故障診斷模型[A];第二十七屆中國控制會議論文集[C];2008年

5 喬文生;陳興輝;艾士娟;胡北;趙恒;;基于小波包和BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[A];第八屆全國設(shè)備與維修工程學(xué)術(shù)會議、第十三屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2008年

6 李培玉;劉光明;鄭俊;;基于多通道振動信號的港機(jī)臺車車輪軸承故障診斷系統(tǒng)[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集[C];2007年

7 李培玉;劉光明;鄭俊;;基于多通道振動信號的港機(jī)臺車車輪軸承故障診斷系統(tǒng)[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文摘要集[C];2007年

8 沈路;周曉軍;張杰;;基于形態(tài)非抽樣小波與灰色關(guān)聯(lián)度的滾動軸承故障診斷[A];2011年機(jī)械電子學(xué)學(xué)術(shù)會議論文集[C];2011年

9 宋瀏陽;王華慶;高金吉;王峰;;基于蟻群算法的滾動軸承故障診斷[A];現(xiàn)代振動與噪聲技術(shù)（第九卷）[C];2011年

10 張淑清;張琳;;基于RBF網(wǎng)絡(luò)和D-S推理的軸承故障診斷[A];首屆信息獲取與處理學(xué)術(shù)會議論文集[C];2003年

相關(guān)重要報紙文章 前1條

1 通訊員 蔡義杰 記者 唐先武;軸承故障診斷有了“透視鏡”[N];科技日報;2001年

相關(guān)博士學(xué)位論文 前1條

1 梁瑜;地鐵列車軸承故障診斷及在途診斷系統(tǒng)研究[D];北京交通大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 吳治南;基于小波變換與PNN神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動軸承故障診斷[D];河北工程大學(xué);2015年

2 趙江萍;滾動軸承故障診斷系統(tǒng)設(shè)計[D];中國計量學(xué)院;2015年

3 黃文靜;基于多特征量提取和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[D];燕山大學(xué);2016年

4 張濤;機(jī)車軸承故障診斷系統(tǒng)的研究與設(shè)計[D];中南大學(xué);2005年

5 黃建新;多傳感器數(shù)據(jù)融合技術(shù)在軸承故障診斷中的應(yīng)用研究[D];武漢理工大學(xué);2006年

6 趙興;基于時頻維數(shù)的滾動軸承故障診斷技術(shù)應(yīng)用研究[D];大連交通大學(xué);2013年

7 盧一相;時頻分析在軸承故障診斷中的應(yīng)用研究[D];安徽大學(xué);2007年

8 陳濤;低速重載軸承故障診斷的虛擬儀器研究[D];重慶大學(xué);2005年

9 李學(xué)偉;支持向量機(jī)在嵌入式軸承故障診斷裝置中的研究與實現(xiàn)[D];東北大學(xué);2010年

10 任鍇勝;基于DSP的嵌入式煤礦提升機(jī)天輪軸承故障診斷系統(tǒng)研究[D];山東大學(xué);2011年

，

本文編號：1536998