【摘要】：滾動軸承作為關鍵部件已經被廣泛地應用于旋轉機械設備。旋轉機械設備的運行性能與滾動軸承的工作狀態(tài)緊密相關。因此,滾動軸承故障診斷技術一直以來都是機械故障診斷領域中的重要研究課題。隨著機械設備自動化程度越來越高,為了及時準確地對滾動軸承進行故障診斷,開展智能故障診斷研究顯得尤為必要。滾動軸承故障診斷包含故障檢測和故障類型識別兩個方面。故障檢測實質上是一個單分類問題,而故障類型識別是一個多分類問題。因此,滾動軸承智能故障診斷的關鍵在于模式識別。近年來,基于概率統(tǒng)計的模式識別方法、聚類算法、神經網絡和基于核的模式識別方法等被國內外相關學者應用到滾動軸承的故障診斷,并取得了豐碩的研究成果。其中,基于核的模式識別方法尤其受到關注。從幾何角度來看,一些典型的基于核的模式識別方法如支持向量機、支持向量數據描述和最大間隔仿射包分類等都是采用一種幾何模型估計樣本集的類別分布,然后再利用某種決策規(guī)則建立分類模型。受這一思路啟發(fā),論文在國家自然科學基金項目(項目編號:51075131)和湖南省研究生科研創(chuàng)新項目(項目編號:CX2014B146)的資助下,將凸包作為類別分布的估計模型并提出了基于凸包的模式識別方法,為滾動軸承智能故障診斷提供新的思路和技術。論文主要研究工作如下:(1)針對滾動軸承的故障檢測問題,提出了基于凸包的單分類(One-Class Classification based on the Convex Hull,OCCCH)方法,并且提出了廣義Gilbert算法解決OCCCH涉及的最小模問題。闡述了OCCCH與單類支持向量機(One-Class Support Vector Machine,OCSVM)之間的關系,并通過數值實驗對比分析了這兩種單分類方法的分類精度和計算效率。實驗結果表明,使用廣義Gilbert算法的OCCCH在計算效率方面要優(yōu)于使用貫序最小優(yōu)化(Sequential Minimal Optimization,SMO)算法的OCSVM,并且兩者的分類精度相當。(2)針對OCCCH的核參數選擇問題,提出了改進的MIES(Improved MIES,IMIES)算法選擇高斯核參數。通過數值實驗對比分析了IMIES與另外兩種基于決策邊界松緊程度的高斯核參數選擇方法(MIES和DTL)的性能。實驗結果表明,IMIES能夠比MIES和DTL選擇更為合適的高斯核參數。經過IMIES選擇高斯核參數和廣義Gilbert算法訓練模型,將OCCCH應用于滾動軸承故障檢測,結果表明所提出的單分類方法可有效檢測滾動軸承的故障。(3)針對廣義Gilbert算法在迭代后期速度變得緩慢這一問題,提出了廣義Mitchell-Dem'yanov-Malozemov(MDM)算法解決OCCCH中的最小模問題。從理論上比較了廣義MDM算法和廣義Gilbert算法在更新策略和算法復雜度等方面的不同。數值實驗對比分析結果表明,廣義MDM算法相對于廣義Gilbert算法在計算效率方面具有明顯優(yōu)勢。(4)針對滾動軸承的故障類型識別問題,在定義彈性凸包的基礎上提出了最大間隔彈性凸包分類(Maximum Margin Classification based on Flexible Convex Hulls,MMC-FCH)方法。通過數值實驗驗證了MMC-FCH的有效性,同時也將其與另兩種最大間隔分類方法比較。將MMC-FCH應用到滾動軸承的故障類型識別。實驗結果表明,MMC-FCH不僅可以識別滾動軸承的故障位置也能夠識別故障程度。(5)將凸包估計與最近鄰分類思想相融合,提出了基于凸包的另一種多分類方法,即最近鄰凸包分類(Nearest Neighbor Convex Hull Classification,NNCHC)方法。同時,對廣義MDM算法進行修改并將其推廣到NNCHC中的優(yōu)化問題。將NNCHC和局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)相結合,提出了基于NNCHC和LCD的滾動軸承故障診斷方法。實驗結果表明,NNCHC能成功地實現(xiàn)對滾動軸承故障位置的識別,而且在小樣本的情況下也仍能取得高的正確識別率。
文內圖片：
圖片說明： i l成立，此時收縮凸包將退化為一點即中心點，如圖2.4(e)所示。注意到，公式(2.6)中定義了收縮因子 的取值范圍。一方面， 的值不能小于1 l ，否則所有系數之和將會與系數約束條件11lii 相矛盾，這意味著收縮凸包將會成為一個空集。另一方面， 大于1時公式(2.6)所表示的幾何模型即是原始的凸包，這意味著就幾何形狀而言， 1總是與 1等價的。(a) 1(b) 3 4(c) 1 2(d) 5 12(e) 1 3圖 2.4 不同收縮因子的收縮凸包對凸包進行收縮的目的是為了使得原點落在凸包之外。只要收縮因子 合適，原來的線性不可分情況將會變成線性可分情況。在線性不可分情況下，，確定收縮凸包上具有最小模的點可以表達為以下最小模問題11mins.t. 1
文內圖片：
圖片說明： 小模問題(Minimum 而將公式(2.7)中的問em associated with the RCH的核心問題就是要種解決最小模問題的確定凸集到原點距離集。因此，可以采用G本凸包的最小模點。在樣本Ax ，并用其更新的更新點即neww 。Gilb
【學位授予單位】：湖南大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內燃機配件;2000年03期

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應用[J];試驗技術與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調頻小波變換的滾動軸承故障研究[J];機械設計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應用[J];中國設備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

相關會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

2 劉玉林;;貨車滾動軸承故障不分解診斷技術參數選擇與優(yōu)化探討[A];擴大鐵路對外開放、確保重點物資運輸——中國科協(xié)2005年學術年會鐵道分會場暨中國鐵道學會學術年會和粵海通道運營管理學術研討會論文集[C];2005年

3 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

4 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

5 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

6 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

7 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產技術會議暨煉鐵年會文集（上冊）[C];2008年

8 李興林;;滾動軸承故障診斷技術現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

9 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

10 高耀智;;高階統(tǒng)計量與小波分析相結合在滾動軸承故障診斷中的應用[A];2009年全國青年摩擦學學術會議論文集[C];2009年

相關博士學位論文 前10條

1 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術研究[D];南京航空航天大學;2014年

2 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

3 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

4 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

5 楊柳松;基于小波分析與神經網絡滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

6 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

7 趙協(xié)廣;基于小波變換和經驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

8 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

9 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

10 孟濤;齒輪與滾動軸承故障的振動分析與診斷[D];西北工業(yè)大學;2003年

相關碩士學位論文 前10條

1 李男;基于LMD樣本熵和貝葉斯網絡的滾動軸承故障診斷方法[D];燕山大學;2015年

2 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

3 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

4 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

5 馮春生;基于多源不確定信息融合的數控機床滾動軸承故障診斷方法與實驗研究[D];青島理工大學;2015年

6 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學;2015年

7 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學;2015年

8 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學;2015年

9 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應用研究[D];電子科技大學;2014年

10 段永強;局部均值分解法在滾動軸承故障自動診斷中的應用研究[D];電子科技大學;2015年

本文編號：2516086