【摘要】：滾動(dòng)軸承是一種屬于滾動(dòng)摩擦的機(jī)械零部件,也是搗固車(chē)等大型機(jī)械設(shè)備的易受損器件。由于受到外界和自身的復(fù)雜因素的影響,導(dǎo)致軸承的受損程度顯著的提升。滾動(dòng)軸承有著廣泛的使用場(chǎng)景,但軸承設(shè)備故障也會(huì)造成重大的安全隱患和社會(huì)經(jīng)濟(jì)損失,常用的方法都不能做出有效的診斷。因此,為了最大限度的降低故障率,節(jié)約維修成本,運(yùn)用高效故障診斷方法來(lái)解決故障問(wèn)題,已經(jīng)成了現(xiàn)階段的一項(xiàng)非常重要的研究課題。本文研究了滾動(dòng)軸承在不同故障條件下的振動(dòng)機(jī)理及特征狀況,介紹了相關(guān)向量機(jī)的基本原理狀況,分析驗(yàn)證了滾動(dòng)軸承的特征提取方法,闡述了核函數(shù)在相關(guān)向量機(jī)(RVM)中的重要作用,設(shè)計(jì)了相關(guān)向量機(jī)的軸承故障診斷方法,關(guān)于滾動(dòng)軸承的正常、內(nèi)圈故障、外圈故障、滾動(dòng)體故障四種不同狀態(tài)做了具體分析。首先,針對(duì)信號(hào)特征提取是故障診斷研究的前提和基礎(chǔ),提出了一種基于諧波小波包的信號(hào)特征提取方法。該方法先對(duì)測(cè)試數(shù)據(jù)進(jìn)行諧波小波包分解,求得小波系數(shù);接著求解獲得不同尺度下的小波系數(shù)的能量值,對(duì)得到的能量進(jìn)行標(biāo)準(zhǔn)化處理,得到故障特征向量;其次,針對(duì)核函數(shù)是相關(guān)向量機(jī)中的一個(gè)重要的影響因素,而一般方法的優(yōu)化效果不夠理想的問(wèn)題,提出了一種基于自適應(yīng)遺傳算法(IAGA)優(yōu)化RVM核函數(shù)參數(shù)的方法。該方法利用了IAGA算法、種群多樣、迭代次數(shù)少、全局搜索尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn),自適應(yīng)地選取最優(yōu)核參數(shù),并將其應(yīng)用于滾動(dòng)軸承的智能故障診斷中。通過(guò)仿真驗(yàn)證,IAGA優(yōu)化的RVM核函數(shù)參數(shù)比自適應(yīng)遺傳算法(AGA)以及遺傳算法(GA)優(yōu)化RVM核參數(shù)效果更好。再次,針對(duì)滾動(dòng)軸承故障成因復(fù)雜一般屬于多分類(lèi)識(shí)別問(wèn)題,而單一的多分類(lèi)方法很難有效的識(shí)別問(wèn)題,故而引入了投票機(jī)制和分類(lèi)理論,將RVM和改進(jìn)的“一對(duì)一”(OAO)方法相結(jié)合構(gòu)造出改進(jìn)的OAO-RVM分類(lèi)模型,有效的實(shí)現(xiàn)了故障識(shí)別分類(lèi)。實(shí)驗(yàn)結(jié)果表明:與傳統(tǒng)的支持向量機(jī)(SVM)方法比較,RVM分類(lèi)方法所需相關(guān)向量的個(gè)數(shù)更少,故障診斷的精確度更高;與一般的“一對(duì)一”相關(guān)向量機(jī)(OAO-RVM)、“一對(duì)多”相關(guān)向量機(jī)(OAR-RVM)方法比較,本文提出的改進(jìn)的OAO-RVM方法既降低了故障分類(lèi)的錯(cuò)誤率,又節(jié)省了故障診斷的時(shí)間。
【圖文】：

圖 2.1 滾動(dòng)軸承的基本結(jié)構(gòu)圖圖 2.1 中模型各參數(shù)：軸承節(jié)圓直徑 D：滾道中心圓的直徑滾動(dòng)體直徑 d:滾動(dòng)體的平均直徑內(nèi)圈滾道半徑 r1:內(nèi)圈滾道的平均半徑外圈滾道半徑 r2:外圈滾道的平均半徑接觸角 a:滾動(dòng)體的受力方向與徑向軸間的夾角滾動(dòng)體個(gè)數(shù) Z:滾珠的數(shù)目2.1.2 滾動(dòng)軸承受損的類(lèi)型滾動(dòng)軸承在作業(yè)中會(huì)受到各種因素的影響，安裝的不當(dāng)、潤(rùn)滑狀況的不佳、強(qiáng)烈的沖擊、過(guò)重的載重、以及異物的侵入等都會(huì)造成滾動(dòng)軸承的不同程度的損壞。此外，即便安裝正確、保養(yǎng)及時(shí)，如果軸承的運(yùn)轉(zhuǎn)周期超長(zhǎng)，軸承同樣也會(huì)由于磨損和使用壽命期限的問(wèn)題得到報(bào)廢。依據(jù)工程狀況和損傷機(jī)理的不同，滾

所提出改進(jìn)的自適應(yīng)遺傳RVM的魯棒性。采用不同算法優(yōu)化RVM參數(shù)時(shí)進(jìn)化代數(shù)和平均適應(yīng)度之間的關(guān)系曲線(xiàn)以及參數(shù)時(shí)訓(xùn)練次數(shù)和誤差平方和之間的關(guān)系曲線(xiàn)如圖3.3和圖3.4所示。
【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】：2018
【分類(lèi)號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 牛培峰;馬云鵬;張京;張?chǎng)?李國(guó)強(qiáng);陳貴林;張先臣;;基于相關(guān)向量機(jī)的電站鍋爐NO_x燃燒優(yōu)化[J];計(jì)量學(xué)報(bào);2016年02期

2 王波;劉樹(shù)林;蔣超;張宏利;;基于量子遺傳算法優(yōu)化RVM的滾動(dòng)軸承智能故障診斷[J];振動(dòng)與沖擊;2015年17期

3 婁潔;李雅芹;;基于EMD的多特征參數(shù)和關(guān)聯(lián)向量機(jī)的滾動(dòng)軸承故障診斷研究[J];西安文理學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年02期

4 唐立力;呂福起;;基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷[J];機(jī)械設(shè)計(jì)與制造工程;2015年03期

5 任學(xué)平;龐震;辛向志;邢義通;馬文生;;基于小波包最優(yōu)熵與RVM的滾動(dòng)軸承故障診斷方法[J];軸承;2014年11期

6 王洪偉;陳果;陳立波;宋科;李?lèi)?ài);;一種航空發(fā)動(dòng)機(jī)滾動(dòng)軸承磨損故障監(jiān)測(cè)技術(shù)[J];航空動(dòng)力學(xué)報(bào);2014年09期

7 張聰;許曉慧;孫海順;周鑫;;基于自適應(yīng)遺傳算法的規(guī)模化電動(dòng)汽車(chē)智能充電策略研究[J];電力系統(tǒng)保護(hù)與控制;2014年14期

8 王立臣;梁浩;;滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J];電子測(cè)試;2013年22期

9 孫旺旺;任傳勝;朱春偉;;基于模糊RBF神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J];機(jī)械研究與應(yīng)用;2013年02期

10 趙文龍;阮艷鳳;謝敏;彭潔;;遺傳算法在智能車(chē)控制器參數(shù)尋優(yōu)中的應(yīng)用[J];計(jì)算機(jī)仿真;2012年10期

相關(guān)博士學(xué)位論文 前2條

1 黃風(fēng)華;云環(huán)境下基于并行支持向量機(jī)的高光譜影像分類(lèi)研究[D];福建師范大學(xué);2014年

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

相關(guān)碩士學(xué)位論文 前4條

1 王雪;基于多小波分析的搗固車(chē)滾動(dòng)軸承故障診斷的研究[D];昆明理工大學(xué);2017年

2 王勇;基于模糊支持向量機(jī)的搗固車(chē)液壓系統(tǒng)故障診斷研究[D];昆明理工大學(xué);2016年

3 劉勇;基于RVM的滾動(dòng)軸承故障診斷方法研究[D];沈陽(yáng)航空航天大學(xué);2015年

4 尹海;離心式壓縮機(jī)軸心軌跡自動(dòng)識(shí)別及其故障診斷系統(tǒng)[D];浙江大學(xué);2013年

，

本文編號(hào)：2631521