【摘要】： 在機械系統(tǒng)運行中,其旋轉(zhuǎn)機械的故障發(fā)生率中有30%是由于軸承故障而引起的,若能較快地發(fā)現(xiàn)并預(yù)測軸承故障類型,使工作人員能夠及時采取相應(yīng)的措施,將故障消滅在萌芽狀態(tài),可以較好地起到維護設(shè)備完善和保護人員安全的作用。所以,對滾動軸承的開展故障診斷方法研究,具有很強的實際意義。 本文首先分析了滾動軸承的振動機理與信號特征,并在滾動軸承模擬故障實驗臺上,對正常軸承及分別含有內(nèi)圈損傷、外圈損傷、滾動體點蝕的滾動軸承進行了故障實驗,采集了它們不同故障形式下的振動信號。 目前小波包方法是一種在多分辨分析基礎(chǔ)上構(gòu)成的正交分解的時頻分析方法。它既可以在低頻和高頻部分進行分解,自適應(yīng)地確定信號在不同頻段上的分辨率,還可以將包括正弦信號在內(nèi)的任意信號劃歸到相應(yīng)的頻帶里,而這些分解的頻帶信號都具有一定的能量。因此本文接下來采用每個頻帶里包含的信號能量作為特征向量,來表征滾動軸承的運行狀態(tài)。 在機械設(shè)備進行智能故障識別中,近年來開展的信號識別方法研究中,支持向量機(SVM)是基于少樣本情況下,就機器學習問題所建立的一種新的智能故障識別理論體系,它可以較好地解決數(shù)據(jù)小樣本、高維及非線性等實際問題。本課題基于多分類支持向量機的故障自動識別技術(shù),在“一對一”多分類算法的基礎(chǔ)上,結(jié)合決策樹理論和投票理論,構(gòu)造一種多分類算法,找到一種既能夠提高已知少量樣本的重復(fù)利用度,又可以維持每個子分類器正負訓(xùn)練樣本的對稱問題,而且能顯著提高分類的精度的方法。用已經(jīng)提取的模擬樣本能量特征向量對滾動軸承的故障進行識別和分類,取得到良好的效果。
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2010
【分類號】：TH133.33;TH165.3

【引證文獻】

相關(guān)期刊論文 前1條

1 劉林艷;金煒東;余志斌;;基于小波分析的高速列車車體運行狀態(tài)估計[J];計算機應(yīng)用研究;2013年10期

，

本文編號：2690300