【摘要】： 滾動軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用廣泛,是較易損壞的零件之一。它的運行工況直接影響著機(jī)械系統(tǒng)是否能夠正常運行。滾動軸承故障信號是非平穩(wěn)、非線性的,而且因受到隨機(jī)噪聲的干擾而難以檢測。 針對這種狀況,本文將小波軟硬閾值折中消噪法、時頻分析的新方法——希爾伯特黃變換(HHT)和模式識別的新技術(shù)——支持向量機(jī)(SVM)相結(jié)合應(yīng)用于滾動軸承故障診斷中。HHT分析法包含經(jīng)驗?zāi)B(tài)分解(EMD)和希爾伯特譜分析兩部分。基于HHT的這一特點,提出了兩種不同的方法提取故障信號特征來進(jìn)行故障診斷。一種是基于Hilbert邊際譜的故障特征頻率提取的故障診斷方法。采集的故障信號首先進(jìn)行消噪預(yù)處理,然后經(jīng)過自適應(yīng)的EMD分解和Hilbert變換得到故障信號的Hilbert邊際譜,從而獲得軸承故障的特征頻率進(jìn)行故障診斷。另一種方法是基于EMD的IMF能量特征向量提取和支持向量機(jī)相結(jié)合的智能診斷方法。該方法是把消噪后的振動信號進(jìn)行自適應(yīng)性的EMD分解得到的若干個固有模特態(tài)(IMFs)分量,然后提取IMFs的能量特征向量作為支持向量機(jī)的輸入進(jìn)行故障診斷。 在Matlab平臺上對滾動軸承故障信號的仿真結(jié)果表明:與直接進(jìn)行HHT分析相比較,小波消噪和HHT分析法相結(jié)合的方法能夠更有效的提取滾動軸承的微弱故障特征信息,并且結(jié)合支持向量機(jī)能夠在小樣本的情況下精確的對滾動軸承的工作狀態(tài)和故障類型進(jìn)行智能識別。
【圖文】：

遞途徑都在不斷變化，當(dāng)內(nèi)圈缺陷離傳感器距離最近時振動沖擊最大，而且隨著與傳感器距離的加大，振動沖擊逐漸向兩邊衰減。如圖2.3所示，內(nèi)圈缺陷振動信號時域波形的振幅大小發(fā)生明顯的周期性的變化，即發(fā)生振幅調(diào)制;在信號的頻譜圖中，低頻帶內(nèi)的變化并不十分顯著，但在某一中頻帶出現(xiàn)大量峰群，能量基本上集中在中頻段。圖2.3內(nèi)圈缺陷時振動時域波形圖和FFT頻譜圖

{圖5.1最優(yōu)分類面圖5.1中，方塊和圓圈分別代表兩類樣本，其中H為沒有錯誤率的分類線，，私、從分別為兩類樣本中離分類線最近的點且平行于該分類線的直線，它們之間的距離叫做分類間隔(margin)。線性可分的情況下，存在多個超平面(H”erplane)(如:Hl，H2·…)使得這兩類被無誤差的完全分開。這個超平面被定義為: W.X+b==0(5.1)式中，W.X表示內(nèi)積 (dotproduet)，b是標(biāo)量。最優(yōu)分類超平面 (OPtimalHyperPlane)是指兩類的分類空隙最大
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2010
【分類號】：TH133.33;TH165.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 歐敏;林從謀;;支持向量機(jī)預(yù)測高邊坡爆破質(zhì)點振動速度[J];金屬礦山;2011年06期

2 關(guān)欣;郭強(qiáng);張政超;趙靜;翟鴻君;;基于核函數(shù)支持向量機(jī)的雷達(dá)輻射源識別[J];彈箭與制導(dǎo)學(xué)報;2011年04期

3 謝凌然;高長偉;沈玉娣;;基于混合核函數(shù)支持向量機(jī)的齒輪診斷方法研究[J];機(jī)械傳動;2011年09期

4 王慧勤;雷剛;;基于LIBSVM的風(fēng)速預(yù)測方法研究[J];科學(xué)技術(shù)與工程;2011年22期

5 余s

本文編號：2639688