【摘要】：在現(xiàn)代的機(jī)械制造與運(yùn)用中,各部件之間越來(lái)越變的密不可分,當(dāng)其中一個(gè)零件出現(xiàn)故障時(shí)就可能影響整個(gè)設(shè)備正常運(yùn)轉(zhuǎn)。滾動(dòng)軸承軸承故障的診斷技術(shù)通過(guò)對(duì)滾動(dòng)軸承信號(hào)提取有效的故障特征信息,可以盡早的發(fā)現(xiàn)有問(wèn)題的零件,及時(shí)的避免一些事故的發(fā)生。本文主要對(duì)滾動(dòng)軸承系統(tǒng)的故障特征提取與分類識(shí)別技術(shù)進(jìn)行研究,重點(diǎn)探討了滾動(dòng)軸承故障特征提取、特征選擇以及故障類型的分類識(shí)別問(wèn)題。針對(duì)以上問(wèn)題,本文進(jìn)行了如下工作:第一,對(duì)滾動(dòng)軸承故障的特征提取方法進(jìn)行研究。針對(duì)軸承振動(dòng)信號(hào),提出了改進(jìn)的分形盒維數(shù)算法,并對(duì)信息熵特征提取算法以及希爾伯特黃變換邊際譜功率特征的提取方法進(jìn)行了研究。由于單一特征不能很好區(qū)別故障類型,本文使用三種提取方法產(chǎn)生的特征作為組合特征。第二,對(duì)滾動(dòng)軸承故障的特征選擇方法進(jìn)行研究。主要介紹了三種特征選擇算法包括序列前向選擇算法(SFS)、序列浮動(dòng)前向選擇算法(SFFS)和ReliefF算法,利用這三種特征選擇算法對(duì)特征提取產(chǎn)生的組合特征進(jìn)行篩選,選出最優(yōu)特征的子集,并對(duì)仿真結(jié)果進(jìn)行分析。仿真結(jié)果表明,ReliefF算法產(chǎn)生的特征子集能夠很好地表征原始特征集。第三,對(duì)滾動(dòng)軸承故障的分類識(shí)別方法進(jìn)行研究。介紹了五種分類器的原理,包括Adaboost、梯度提升決策樹(GBDT)和Xgboost分類器,利用這三種分類器和傳統(tǒng)的k近鄰算法(KNN)、支持向量機(jī)(SVM)對(duì)特征進(jìn)行分類,并根據(jù)仿真結(jié)果進(jìn)行分析與比較。本文的創(chuàng)新點(diǎn)如下:1.提出對(duì)振動(dòng)信號(hào)頻譜加窗頻移的改進(jìn)分形盒維數(shù)算法,在保證準(zhǔn)確率的情況下大幅降低了運(yùn)算量,節(jié)約采樣過(guò)程所需的硬件資源。2.提出將ReliefF算法和GBDT分類器結(jié)合的特征選擇判別方法,有效的提高了滾動(dòng)軸承故障診斷的識(shí)別率,優(yōu)于其他分類器和特征集,準(zhǔn)確率達(dá)到了99%。并且與Xgboost等算法比較時(shí),在保證高識(shí)別率的同時(shí)又能有效地節(jié)約硬件資源。實(shí)驗(yàn)證明,本文所提出的軸承故障檢測(cè)方法具有高準(zhǔn)確度、低運(yùn)算量、低硬件要求等優(yōu)點(diǎn),在實(shí)際工程中具有很大的應(yīng)用價(jià)值。
【圖文】：

美國(guó)凱斯西儲(chǔ)大學(xué)電氣工程實(shí)驗(yàn)室軸承數(shù)據(jù)

7圖 2.3 6205-2RS JEM SKF 故障模擬平臺(tái)表 2.2 模擬實(shí)驗(yàn)故障點(diǎn)參數(shù)診斷實(shí)驗(yàn)中，總共放置了 4 個(gè)振動(dòng)加速度傳感器，兩個(gè)加速器的位置 直徑(mm) 負(fù)載(kw) 轉(zhuǎn)速(r/m無(wú)滾動(dòng)體內(nèi)圈外圈00.17780.35560.533400.7461.4922.238179177175173
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李彬;夏虹;;基于參數(shù)化小波的主冷卻劑泵故障特征識(shí)別[J];哈爾濱工程大學(xué)學(xué)報(bào);2014年02期

2 胥永剛;孟志鵬;陸明;;基于雙樹復(fù)小波包變換和SVM的滾動(dòng)軸承故障診斷方法[J];航空動(dòng)力學(xué)報(bào);2014年01期

3 周雁冰;柳亦兵;李宏;滕偉;李狀;;基于雙譜熵的齒輪裂紋故障特征提取[J];中國(guó)機(jī)械工程;2013年02期

4 丁凱;方向;張衛(wèi)平;范磊;李興華;謝立軍;;基于聲信號(hào)多重分形和支持向量機(jī)的目標(biāo)識(shí)別研究[J];兵工學(xué)報(bào);2012年12期

5 張玲玲;廖紅云;曹亞娟;駱詩(shī)定;趙懿冠;;基于EEMD和模糊C均值聚類算法診斷發(fā)動(dòng)機(jī)曲軸軸承故障[J];內(nèi)燃機(jī)學(xué)報(bào);2011年04期

6 徐寶國(guó);宋愛國(guó);王愛民;;基于小波包能量的腦電信號(hào)特征提取方法[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年06期

7 李輝;鄭海起;楊紹普;;基于EMD和Teager能量算子的軸承故障診斷研究[J];振動(dòng)與沖擊;2008年10期

8 程軍圣;于德介;楊宇;;基于EMD和SVM的滾動(dòng)軸承故障診斷方法[J];航空動(dòng)力學(xué)報(bào);2006年03期

9 陸爽,田野;滾動(dòng)軸承故障特征識(shí)別的時(shí)頻分析研究[J];機(jī)床與液壓;2005年06期

10 楊宇,于德介,程軍圣;基于經(jīng)驗(yàn)?zāi)B(tài)分解包絡(luò)譜的滾動(dòng)軸承故障診斷方法[J];中國(guó)機(jī)械工程;2004年16期

相關(guān)博士學(xué)位論文 前3條

1 廖強(qiáng);約束獨(dú)立分量和多小波分析在滾動(dòng)軸承故障診斷中的應(yīng)用[D];電子科技大學(xué);2016年

2 王勝春;自適應(yīng)時(shí)頻分析技術(shù)及其在故障診斷中的應(yīng)用研究[D];山東大學(xué);2007年

3 張君;小波分析技術(shù)在汽輪機(jī)故障診斷中的應(yīng)用研究[D];華北電力大學(xué)（河北）;2005年

相關(guān)碩士學(xué)位論文 前4條

1 劉毅;航空發(fā)動(dòng)機(jī)典型耦合碰摩故障特征識(shí)別方法研究[D];沈陽(yáng)航空航天大學(xué);2016年

2 孫萬(wàn)龍;基于GBDT的社區(qū)問(wèn)題標(biāo)簽推薦技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

3 汪湘湘;基于時(shí)頻流形分析的設(shè)備故障診斷方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

4 王善鵬;基于流形學(xué)習(xí)的滾動(dòng)軸承故障特征提取方法研究[D];大連理工大學(xué);2013年

，

本文編號(hào)：2668926