【摘要】：滾動軸承是機械設備中應用最為廣泛的零部件之一,由于運行工況的惡劣,因此也是最容易發(fā)生故障的零部件之一。滾動軸承發(fā)生故障將會影響著整個機械設備的正常運轉(zhuǎn),嚴重時會引起重大的安全事故。因此,對滾動軸承進行狀態(tài)監(jiān)測和故障診斷十分的重要。滾動軸承的故障診斷主要包括振動信號采集、故障特征提取和模式識別三部分�；诖�,本文主要研究滾動軸承的故障特征提取方法和模式識別方法,分別將變分模態(tài)分解(Variational Mode Decomposition,VMD)、流形學習和深度學習用于對滾動軸承故障特征提取,將提取到的故障特征輸入到稀疏表示分類器(Sparse Representation Classifier,SRC)中,對滾動軸承各類故障進行診斷。本文主要研究內(nèi)容如下:1.針對采集的振動信號中通常包含較多的背景噪聲,提出了VMD降噪方法,仿真結(jié)果表明,VMD降噪能有效地降低信號中的噪聲成分,并且降噪的效果更優(yōu)于經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)降噪和小波閾值降噪方法。2.將流形學習方法用于對滾動軸承故障高維特征向量的降維,研究了降維維數(shù)對降維效果的影響,將提取到的低維特征與稀疏表示分類器相結(jié)合用于滾動軸承的故障診斷,實驗結(jié)果表明,該方法能有效地識別滾動軸承的各種故障類型。3.通過VMD將振動信號分解為若干模態(tài)分量,分別提取各分量的峭度、能量矩、模糊熵,共同組成信號的組合特征,然后通過特性選擇的方法選擇組合特征的故障敏感特征,將故障敏感特征與稀疏表示分類器相結(jié)合用于滾動軸承的故障診斷。實驗結(jié)果表明該方法能有效地識別滾動軸承的各種故障類型。4.用訓練樣本分別訓練卷積神經(jīng)網(wǎng)絡(Convolution Neural Network,CNN)和深度置信網(wǎng)絡(Deep Belief Network,DBN)的網(wǎng)絡模型,將訓練好的CNN和DBN分別用于提取滾動軸承的故障特征,將提取好的特征與稀疏表示分類器相結(jié)合用于滾動軸承的故障診斷。實驗結(jié)果表明該方法能有效地識別滾動軸承的各種故障類型。
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133.33

【參考文獻】

相關(guān)期刊論文 前10條

1 馬維金;張琳;張紀平;黃彬城;羅朝陽;;基于流形學習算法的齒輪變速箱故障特征提取[J];機械傳動;2015年08期

2 潘海洋;楊宇;李永國;程軍圣;;基于流形學習和改進VPMCD的滾動軸承故障診斷方法[J];振動工程學報;2014年06期

3 鄭近德;陳敏均;程軍圣;楊宇;;多尺度模糊熵及其在滾動軸承故障診斷中的應用[J];振動工程學報;2014年01期

4 楊宇;潘海洋;程軍圣;;基于LCD降噪和VPMCD的滾動軸承故障診斷方法[J];中國機械工程;2013年24期

5 程軍圣;羅頌榮;楊斌;楊宇;;LMD能量矩和變量預測模型模式識別在軸承故障智能診斷中的應用[J];振動工程學報;2013年05期

6 王金福;李富才;;機械故障診斷的信號處理方法:頻域分析[J];噪聲與振動控制;2013年01期

7 鄭近德;程軍圣;楊宇;;基于改進的ITD和模糊熵的滾動軸承故障診斷方法[J];中國機械工程;2012年19期

8 孫志軍;薛磊;許陽明;王正;;深度學習研究綜述[J];計算機應用研究;2012年08期

9 孫斌;薛廣鑫;;基于等距特征映射和支持矢量機的轉(zhuǎn)子故障診斷方法[J];機械工程學報;2012年09期

10 張德祥;汪萍;吳小培;高清維;;基于EMD和非線性峭度的齒輪故障診斷[J];振動.測試與診斷;2012年01期

相關(guān)博士學位論文 前1條

1 王靖;流形學習的理論與方法研究[D];浙江大學;2006年

相關(guān)碩士學位論文 前1條

1 王超;基于流形學習的有監(jiān)督降維方法研究[D];中國科學技術(shù)大學;2009年

，

本文編號：2622662