作為旋轉(zhuǎn)機械的重要組成,滾動軸承的運行狀態(tài)將直接影響機械設(shè)備的安全與穩(wěn)定。由此,對滾動軸承的故障(尤其是早期故障)進行定位與排除顯得尤為重要。滾動軸承早期故障信號是典型的非線性非平穩(wěn)信號,該信號特征不明顯,易于被噪聲淹沒。因此,需要對該信號進行降噪處理、故障特征提取以及模式識別,來提高故障識別的精準度。由此,本課題《基于流形學(xué)習(xí)和優(yōu)化極限學(xué)習(xí)機的滾動軸承故障診斷方法研究》應(yīng)運而生。本文以滾動軸承內(nèi)圈、外圈、滾動體故障信號作為研究對象,以流行學(xué)習(xí)、變分模態(tài)分解、優(yōu)化極限學(xué)習(xí)機為基礎(chǔ),針對信號去噪、故障特征提取、模式識別三方面展開深入研究。主要研究內(nèi)容如下:闡述了滾動軸承故障診斷的研究背景、意義及其發(fā)展歷程,介紹了滾動軸承故障診斷的國內(nèi)外研究現(xiàn)狀,分析了滾動軸承的故障成因與振動機理,計算了滾動軸承的故障特征頻率,并詳細闡述了目前常用的故障特征提取方法和模式識別方法。對流形學(xué)習(xí)理論進行了研究,介紹了等距映射(Isometrical Mapping,ISOMAP)、局部切空間排列算法(Local Tangent Space Alignment,LTSA)、局部保持投影算法(Locality Preserving Projection,LPP)、拉普拉斯算子映射算法(Laplacian Eigenmaps,LE)、局部線性嵌入算法(Locally Linear Embedding,LLE)等幾種常用的流形學(xué)習(xí)算法。選取其中的典型非線性降維算法:LTSA、LEE、ISOMAP與線性降維算法:主成分分析算法(Principal Component Analysis,PCA)對故障信號進行了降噪處理,同時以均方根值和近似熵作為量化評價指標,對降噪結(jié)果進行量化評價。實驗結(jié)果表明,LTSA在滾動軸承故障信號去噪方面具有較大的優(yōu)勢。接著分析并仿真研究了參數(shù)對變分模態(tài)分解(Variational Mode Decomposition,VMD)的影響,選取了三種不同類型的仿真信號,研究對比了 VMD與經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)、集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)、完備總體經(jīng)驗?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)在含噪聲情況下、不同頻率組合情況下以及特征頻率相近情況下的分解效果,并重點對模態(tài)混疊、虛假分量、過分解等現(xiàn)象進行了分析。針對參數(shù)對流形學(xué)習(xí)降維算法的影響,提出了以故障特征能量比(Fault Feature Energy Ratio,FER)為目標函數(shù),利用網(wǎng)格化搜索方式的自適應(yīng)流形學(xué)習(xí)算法,來對軸承信號進行降噪處理。對降噪后的信號進行VMD分解,提出了以峭度、相關(guān)度、包絡(luò)熵為綜合評價指標的模態(tài)分量選取、重構(gòu)方法,得到了最優(yōu)的模態(tài)重構(gòu)分量。進而對該最優(yōu)模態(tài)分量進行了包絡(luò)譜分析,提取得到了故障特征頻率。提出了將模態(tài)分量構(gòu)成的矩陣進行奇異值分解,得到信號奇異特征值,將其作為模式識別算法的訓(xùn)練和測試樣本數(shù)據(jù)集的數(shù)據(jù)來源。分析了隱含層節(jié)點數(shù)和激活函數(shù)對于極限學(xué)習(xí)機(Extreme Learning Machine,ELM)模式識別準確率的影響。并利用蛙跳算法選取了最優(yōu)的參數(shù)組合作為ELM算法的參數(shù)輸入。進而研究了在不同故障尺寸數(shù)據(jù)集、不同模式識別方法下的故障模式識別準確率,并對測試樣本數(shù)一定、訓(xùn)練樣本數(shù)不同時的模式識別準確率進行了仿真研究。
【學(xué)位單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TH133.33;TP181
【部分圖文】：

Ｆｉｇ．?１－２?Ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ?ｏｆ?ｒｏｌｌｉｎｇ?ｂｅａｒｉｎｇ??１．３．３滾動軸承故障特征頻率的提取??由圖１－１滾動軸承結(jié)構(gòu)原理圖可以看出，當(dāng)滾動軸承故障發(fā)生變化時，其故障??特征頻率也隨之改變，其具體故障頻率可以通過軸承的具體結(jié)構(gòu)參數(shù)計算出來。假??設(shè)軸承外圈位置固定，內(nèi)圈與滾動體之間無相對滑動，在徑向和軸向載荷受力時，??軸承形變保持不變。在上述假設(shè)成立的條件下，給出滾動軸承各個部位的故障特征??頻率計算公式ｔ２７，ｗ如下所示：??故障特征頻率－保持架??ｆ，＝＼｛ｌ－＾．Ｃ０Ｓａ］ｆｒ?ＣＭ）??＾?Ｖ?ｕ?／??故障特征頻率－外圈／ｃ：??，〇＝釷?ｉ＿‘ｃ〇ｓａＶ?（ｉ＿２）??故障特征頻率－內(nèi)圈＞??乂?二孑?１?＋?￣Ｃ０ＳＱｒｊ／ｒ?（１－３）??故障特征頻率－滾動體／ｆｃ：??５??

?０．０８??時間ｔ／ｓ??圖１－２滾動軸承的振動信號??Ｆｉｇ．?１－２?Ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ?ｏｆ?ｒｏｌｌｉｎｇ?ｂｅａｒｉｎｇ??１．３．３滾動軸承故障特征頻率的提取??由圖１－１滾動軸承結(jié)構(gòu)原理圖可以看出，當(dāng)滾動軸承故障發(fā)生變化時，其故障??特征頻率也隨之改變，其具體故障頻率可以通過軸承的具體結(jié)構(gòu)參數(shù)計算出來。假??設(shè)軸承外圈位置固定，內(nèi)圈與滾動體之間無相對滑動，在徑向和軸向載荷受力時，??軸承形變保持不變。在上述假設(shè)成立的條件下，給出滾動軸承各個部位的故障特征??頻率計算公式ｔ２７，ｗ如下所示：??故障特征頻率－保持架??ｆ，＝＼｛ｌ－＾．Ｃ０Ｓａ］ｆｒ?ＣＭ）??＾?Ｖ?ｕ?／??故障特征頻率－外圈／ｃ：??，〇＝釷?ｉ＿‘ｃ〇ｓａＶ?（ｉ＿２）??故障特征頻率－內(nèi)圈＞??乂?二孑?１?＋?￣Ｃ０ＳＱｒｊ／ｒ?（１－３）??故障特征頻率－滾動體／ｆｃ：??５??

近似熵計算公式為：??ＡｐＥｎ（ｍ，?ｒ，?ｎ）?＝?Ｏｍ?（ｒ）?－?Ｏｒａ＋ｌ?（ｒ）?（２－１５）??表２－２四種典型降維算法的信號降噪對比??Ｔａｂ．?２－２?Ｓｉｇｎａｌ?ｄｅｎｏｉｓｉｎｇ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｆｏｕｒ?ｔｙｐｉｃａｌ?ｄｉｍｅｎｓｉｏｎａｌｉｔｙ?ｒｅｄｕｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍｓ???均方誤差（ＭＳＥ）?近似熵（ＡｐＥｎ）???ＩＳＯＭＡＰ?６．９２１９?０．２７７２??ＬＴＳＡ?０．５７０２?０．００７８??ＬＬＥ?１．５２６９?０．３７７８???ＰＣＡ?２．１１９２?０．３１８９???表２－２是將四種典型降維算法應(yīng)用于滾動軸承實際故障信號，分別計算四種典??型降維算法降噪處理后信號均方誤差和近似熵。均方誤差和近似熵越小，表明流形??學(xué)習(xí)降維算法的去噪效果越好，降噪后故障信號中所包含的噪聲信號越少，更加有??助于故障特征的提取。由表中數(shù)據(jù)可以看出，局部切空間排列（ＬＴＳＡ）算法的均方誤??差為０．５７０２、近似熵值為０．００７８均為四種算法中數(shù)值最小，ＬＴＳＡ算法比其他三種??降維算法更適合與滾動軸承故障信號的降噪處理。本文因此選取ＬＴＳＡ算法作為??滾動軸承故障信號降噪處理的流形學(xué)習(xí)算法。??
【參考文獻】

相關(guān)期刊論文 前6條

1 王志武;孫虎兒;劉維雄;;形態(tài)-奇異值分解降噪與LMD結(jié)合的滾動軸承故障診斷[J];機械傳動;2013年09期

2 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎(chǔ)研究“何去何從”[J];機械工程學(xué)報;2013年01期

3 趙學(xué)智;葉邦彥;林穎;;奇異值分解對軸承振動信號中調(diào)幅特征信息的提取[J];北京理工大學(xué)學(xué)報;2011年05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 羅四維;趙連偉;;基于譜圖理論的流形學(xué)習(xí)算法[J];計算機研究與發(fā)展;2006年07期

6 李輝,鄭海起,唐力偉;基于EMD和包絡(luò)譜分析的軸承故障診斷研究[J];河北工業(yè)大學(xué)學(xué)報;2005年01期

相關(guān)博士學(xué)位論文 前3條

1 李揚;基于混沌理論的滾動軸承故障診斷及故障趨勢預(yù)測研究[D];西南交通大學(xué);2018年

2 劉尚坤;基于振動信號處理的旋轉(zhuǎn)機械故障診斷方法研究[D];華北電力大學(xué)(北京);2017年

3 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前4條

1 楊露;基于ELM的風(fēng)力發(fā)電機組齒輪箱故障診斷研究[D];上海電機學(xué)院;2018年

2 馬洪斌;基于變分模態(tài)分解的滾動軸承故障檢測方法研究[D];北京交通大學(xué);2018年

3 孫占龍;基于共振稀疏分解的滾動軸承故障診斷方法研究[D];北京交通大學(xué);2017年

4 姚雪曼;基于流形學(xué)習(xí)的降維技術(shù)的研究與實現(xiàn)[D];北京郵電大學(xué);2017年

本文編號：2873630