【摘要】：滾動軸承作為旋轉(zhuǎn)機(jī)械設(shè)備關(guān)鍵的驅(qū)動部件,在設(shè)備運(yùn)行中承擔(dān)著重要作用,當(dāng)其發(fā)生故障時直接影響設(shè)備的安全可靠運(yùn)行。因此研究滾動軸承的智能故障診斷方法能夠?qū)崟r、準(zhǔn)確、高效地識別滾動軸承的運(yùn)行狀態(tài),對保障設(shè)備安全運(yùn)行具有深遠(yuǎn)意義和工業(yè)價值。滾動軸承的振動信號能夠反映大量的軸承狀態(tài)信息,因此本文以滾動軸承振動信號為分析對象,結(jié)合信息挖掘以及人工智能模式識別方法,深入研究滾動軸承智能故障診斷算法模型。首先,研究基于統(tǒng)計特征的傳統(tǒng)故障診斷模型。對滾動軸承振動信號時域、頻域、時頻域三種分析域下的信號進(jìn)行統(tǒng)計特征提取。并且基于統(tǒng)計特征集合分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)故障診斷模型,進(jìn)而完成故障模式識別。通過實(shí)驗(yàn)驗(yàn)證兩個診斷模型的有效性,根據(jù)實(shí)驗(yàn)結(jié)果分析出SVM故障診斷模型更具有優(yōu)越性。其次,針對先驗(yàn)知識匱乏難以提取有效統(tǒng)計特征問題,研究基于自動特征提取的智能故障診斷模型。提出了一種基于頻譜的稀疏自動編碼器(Frequency Spectrum Sparse Auto-Encoder,FSAE)與SVM的智能故障診斷算法,利用FSAE對滾動軸承振動信號進(jìn)行自動特征提取,結(jié)合SVM分類器構(gòu)建故障診斷模型。通過實(shí)驗(yàn)驗(yàn)證該算法的有效性,在不需要專家經(jīng)驗(yàn)的前提下,能夠完成智能故障診斷并且具有較為精確的診斷結(jié)果。最后,針對滾動軸承有標(biāo)記的故障樣本數(shù)據(jù)量少導(dǎo)致故障診斷模型泛化性能下降的問題,研究基于半監(jiān)督學(xué)習(xí)的故障診斷算法。提出了一種基于K近鄰和SVM協(xié)同訓(xùn)練故障診斷方法,該算法充分考慮無標(biāo)記數(shù)據(jù)對診斷模型的影響,利用K近鄰算法學(xué)習(xí)大量無標(biāo)記數(shù)據(jù)的空間分布,輔助SVM構(gòu)建整個數(shù)據(jù)集的分類超平面,通過兩種分類器互相修正共同學(xué)習(xí)的方式完成故障診斷模型訓(xùn)練。通過實(shí)驗(yàn)結(jié)果分析驗(yàn)證了本章所提算法有效的提高了模型的泛化性能,而且相較于半監(jiān)督SVM分類器有更好的準(zhǔn)確性和穩(wěn)定性。
【圖文】：

2 特征提取與滾動軸承故障診斷方法法性能測試（Algorithmic Performance Testing）節(jié)利用凱斯西儲大學(xué)滾動軸承振動信號數(shù)據(jù)對傳統(tǒng)時域、頻域、時提取統(tǒng)計特征集合。并采用基于統(tǒng)計特征的神經(jīng)網(wǎng)絡(luò)和 SVM 故障對人工提取的統(tǒng)計特征有效性進(jìn)行驗(yàn)證，并通過實(shí)驗(yàn)從故障診斷精速度兩個方面比較神經(jīng)網(wǎng)絡(luò)和 SVM 故障識別模型優(yōu)越性。西儲大學(xué)軸承實(shí)驗(yàn)數(shù)據(jù)集驗(yàn)數(shù)據(jù)選用美國凱斯西儲大學(xué)(Case Western Reserve University,CW動端軸承振動信號數(shù)據(jù)，數(shù)據(jù)采集試驗(yàn)臺如圖 2-6 所示。
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王憲保;何文秀;王辛剛;姚明海;錢l勌，

本文編號：2708113