本文關鍵詞：基于信息融合技術的滾動軸承故障識別及診斷，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承是機械設備常用的重要零部件，在設備工作過程中極易發(fā)生損壞，一旦軸承在工作過程中發(fā)生故障，將直接影響正常的安全生產，甚至導致事故的發(fā)生。在軸承故障診斷過程中，一般由于其工作狀態(tài)是非平穩(wěn)的，故障特征信息復雜多變，單一的方法很難提取出有效的故障特征信息并診斷出故障。據統(tǒng)計，因為軸承的發(fā)生故障導致的事故會引起很大的經濟損失。因此合理有效的檢查并提取滾動軸承的故障特征，避免事故發(fā)生非常重要。 本文運用振動信號測試技術采集信號，主要運用多傳感器信息融合技術，并結合小波包理論、EMD方法、多分辨SVD、多分辨SVD包、多傳感器概率神經網絡與支持向量機對滾動軸承進行故障識別與診斷，研究內容如下： 首先，本文對信息融合技術及其在故障診斷與識別中的發(fā)展過程與研究現狀進行了論述，闡述了信息融合技術對機械科學的影響與意義，介紹了信息融合層次劃分與信息融合算法，分析了齒輪箱的振動噪聲產生機理和滾動軸承振動機理。 其次，應用多傳感器信息融合技術的思想，分別構造提取滾動軸承故障特征的多域特征提取算法和IMF熵特征提取算法，用多傳感器網絡融合算法對滾動軸承進行故障識別與診斷；對美國Spectra Quest公司生產的機械故障綜合模擬試驗臺的滾動軸承進行故障類型的識別，同時對現場軋機齒輪座滾動軸承進行故障識別診斷。 最后，結合多分辨分析的特性與SVD的特性，應用多分辨SVD與多分辨SVD包提取滾動軸承特征，結合支持向量機，，進行了多分辨SVD特征融合與多分辨SVD包特征融合與支持向量機的故障識別與診斷；對美國Spectra Quest公司生產的動力傳動故障診斷綜合模擬試驗臺的滾動軸承進行故障類型的識別。 通過最終的實驗結果表明多域特征、IMF熵特征、多分辨SVD特征、多分辨SVD包特征能夠有效提取并表達出滾動軸承不同故障類型的特征；這些特征與多傳感器網絡融合識別診斷和支持向量機進行特征融合識別診斷，都能對不同的滾動軸承故障進行準確的分類，從而證明本文的方法能夠有效的診斷出滾動軸承故障問題。
【關鍵詞】：多傳感器網絡融合 多分辨SVD 支持向量機 滾動軸承 故障診斷
【學位授予單位】：內蒙古科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH165.3;TP202
【目錄】：

• 摘要3-4
• Abstract4-8
• 1 緒論8-13
• 1.1 課題研究背景及意義8-10
• 1.2 信息融合技術研究現狀10-12
• 1.2.1 信息融合技術的發(fā)展10-11
• 1.2.2 基于信息融合技術的故障識別及診斷研究現狀11-12
• 1.3 論文主要研究內容與結構安排12-13
• 2 齒輪箱的故障類型與振動噪聲產生機理13-17
• 2.1 齒輪箱故障的主要形式13
• 2.2 齒輪箱系統(tǒng)振動噪聲產生的機理13-16
• 2.3 滾動軸承故障振動機理16
• 2.4 本章小結16-17
• 3 信息融合故障診斷基本理論17-24
• 3.1 信息融合基本原理17-18
• 3.2 信息融合層次的劃分18-21
• 3.2.1 信息融合功能模型18
• 3.2.2 信息融合層次18-21
• 3.3 多傳感器信息融合算法21-23
• 3.4 本章小結23-24
• 4 多傳感器網絡融合的滾動軸承故障診斷24-44
• 4.1 基于多傳感器網絡融合的故障診斷24-26
• 4.1.1 概率神經網絡24-25
• 4.1.2 D-S 證據理論25
• 4.1.3 PNN 與證據理論的融合故障診斷25-26
• 4.2 基于多域特征的多傳感器網絡融合滾動軸承故障診斷26-34
• 4.2.1 多域特征的提取26-30
• 4.2.2 滾動軸承故障試驗臺數據采集30-32
• 4.2.3 基于多域特征的滾動軸承故障試驗分析32-34
• 4.3 基于 IMF 熵的多傳感器網絡融合滾動軸承故障診斷34-39
• 4.3.1 IMF 熵的特征提取34-37
• 4.3.2 基于 IMF 熵的滾動軸承故障試驗分析37-39
• 4.4 兩種特征提取方法的比較39-40
• 4.5 現場軋機齒輪座診斷實例40-43
• 4.5.1 基于多域特征的軋機齒輪座故障診斷41-42
• 4.5.2 基于 IMF 熵特征的軋機齒輪座故障診斷42-43
• 4.6 本章小結43-44
• 5 多分辨特征融合與支持向量機的滾動軸承故障診斷44-63
• 5.1 引言44
• 5.2 支持向量機原理44-47
• 5.2.1 線性支持向量機44-46
• 5.2.2 非線性支持向量機46
• 5.2.3 核函數46-47
• 5.3 多分辨 SVD47-51
• 5.3.1 多分辨分析47-48
• 5.3.2 多分辨 SVD 特征提取48-50
• 5.3.3 多分辨 SVD 包特征提取50-51
• 5.4 多分辨 SVD 特征融合與支持向量機的故障診斷51-58
• 5.4.1 多分辨 SVD 特征融合與支持向量機的故障診斷基本步驟51-52
• 5.4.2 試驗分析52-58
• 5.5 多分辨 SVD 包特征融合與支持向量機的故障診斷58-62
• 5.5.1 多分辨 SVD 包特征融合與支持向量機的故障診斷基本步驟58-59
• 5.5.2 試驗分析59-62
• 5.6 本章小結62-63
• 結論63-64
• 參考文獻64-69
• 附錄 A 多域特征與多傳感器網絡融合主程序69-83
• 在學研究成果83-84
• 致謝84

【參考文獻】

中國期刊全文數據庫 前10條

1 吳俊;程詠梅;曲圣杰;潘泉;劉準釓;;基于三級信息融合結構的多平臺多雷達目標識別算法[J];西北工業(yè)大學學報;2012年03期

2 雍少為，郁文賢，郭桂蓉;信息融合的熵理論[J];系統(tǒng)工程與電子技術;1995年10期

3 于德介;陳淼峰;程軍圣;楊宇;;基于EMD的奇異值熵在轉子系統(tǒng)故障診斷中的應用[J];振動與沖擊;2006年02期

4 張超;陳建軍;郭迅;;基于EMD能量熵和支持向量機的齒輪故障診斷方法[J];振動與沖擊;2010年10期

5 秦海勤;徐可君;隋育松;于世勝;;基于系統(tǒng)信息融合的滾動軸承故障模式識別[J];振動.測試與診斷;2011年03期

6 朱大奇;陳爾奎;;旋轉機械故障診斷的量子神經網絡算法[J];中國電機工程學報;2006年01期

7 符玲;何正友;麥瑞坤;錢清泉;張鵬;;小波熵證據的信息融合在電力系統(tǒng)故障診斷中的應用[J];中國電機工程學報;2008年13期

8 齊保林;李凌均;李志農;;基于支持向量機的故障模式識別研究[J];鄭州大學學報(工學版);2007年01期

9 康健;李一兵;林云;;基于證據理論的數據關聯算法[J];系統(tǒng)工程與電子技術;2012年07期

10 成鈺龍;程剛;沈利華;邱錦波;山顯雷;;基于特征信息融合的離散小波SVM齒輪故障診斷方法研究[J];組合機床與自動化加工技術;2012年08期

  本文關鍵詞：基于信息融合技術的滾動軸承故障識別及診斷，由筆耕文化傳播整理發(fā)布。

本文編號：276223