【摘要】：在現(xiàn)代的機械制造與運用中,各部件之間越來越變的密不可分,當其中一個零件出現(xiàn)故障時就可能影響整個設(shè)備正常運轉(zhuǎn)。滾動軸承軸承故障的診斷技術(shù)通過對滾動軸承信號提取有效的故障特征信息,可以盡早的發(fā)現(xiàn)有問題的零件,及時的避免一些事故的發(fā)生。本文主要對滾動軸承系統(tǒng)的故障特征提取與分類識別技術(shù)進行研究,重點探討了滾動軸承故障特征提取、特征選擇以及故障類型的分類識別問題。針對以上問題,本文進行了如下工作:第一,對滾動軸承故障的特征提取方法進行研究。針對軸承振動信號,提出了改進的分形盒維數(shù)算法,并對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,對滾動軸承故障的特征選擇方法進行研究。主要介紹了三種特征選擇算法包括序列前向選擇算法(SFS)、序列浮動前向選擇算法(SFFS)和ReliefF算法,利用這三種特征選擇算法對特征提取產(chǎn)生的組合特征進行篩選,選出最優(yōu)特征的子集,并對仿真結(jié)果進行分析。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,對滾動軸承故障的分類識別方法進行研究。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(SVM)對特征進行分類,并根據(jù)仿真結(jié)果進行分析與比較。本文的創(chuàng)新點如下:1.提出對振動信號頻譜加窗頻移的改進分形盒維數(shù)算法,在保證準確率的情況下大幅降低了運算量,節(jié)約采樣過程所需的硬件資源。2.提出將ReliefF算法和GBDT分類器結(jié)合的特征選擇判別方法,有效的提高了滾動軸承故障診斷的識別率,優(yōu)于其他分類器和特征集,準確率達到了99%。并且與Xgboost等算法比較時,在保證高識別率的同時又能有效地節(jié)約硬件資源。實驗證明,本文所提出的軸承故障檢測方法具有高準確度、低運算量、低硬件要求等優(yōu)點,在實際工程中具有很大的應(yīng)用價值。
【圖文】：

美國凱斯西儲大學(xué)電氣工程實驗室軸承數(shù)據(jù)

7圖 2.3 6205-2RS JEM SKF 故障模擬平臺表 2.2 模擬實驗故障點參數(shù)診斷實驗中，總共放置了 4 個振動加速度傳感器，兩個加速器的位置 直徑(mm) 負載(kw) 轉(zhuǎn)速(r/m無滾動體內(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)位級別】：碩士
【學(xué)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 李彬;夏虹;;基于參數(shù)化小波的主冷卻劑泵故障特征識別[J];哈爾濱工程大學(xué)學(xué)報;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的滾動軸承故障診斷方法[J];航空動力學(xué)報;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];中國機械工程;2013年02期

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

5 張玲玲;廖紅云;曹亞娟;駱詩定;趙懿冠;;基于EEMD和模糊C均值聚類算法診斷發(fā)動機曲軸軸承故障[J];內(nèi)燃機學(xué)報;2011年04期

6 徐寶國;宋愛國;王愛民;;基于小波包能量的腦電信號特征提取方法[J];東南大學(xué)學(xué)報(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];振動與沖擊;2008年10期

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

9 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

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

相關(guān)博士學(xué)位論文 前3條

1 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(yīng)用[D];電子科技大學(xué);2016年

2 王勝春;自適應(yīng)時頻分析技術(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)動機典型耦合碰摩故障特征識別方法研究[D];沈陽航空航天大學(xué);2016年

2 孫萬龍;基于GBDT的社區(qū)問題標簽推薦技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

3 汪湘湘;基于時頻流形分析的設(shè)備故障診斷方法研究[D];中國科學(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：2668926