滾動軸承在各種機械設(shè)備中起著關(guān)鍵的作用,同時它又是一種非常容易發(fā)生故障的零部件之一。滾動軸承的正常工作對保證生產(chǎn)制造過程中的安全、高效、優(yōu)質(zhì)運行意義非常重大,一旦發(fā)生故障,不僅會影響整個系統(tǒng)的正常工作,影響經(jīng)濟效益,甚至會危及人身安全。因此對于滾動軸承故障診斷的研究非常重要。 損傷軸承在運轉(zhuǎn)過程中,由于臨近部件相互影響等因素,其振動信號為非平穩(wěn)信號。傳統(tǒng)的傅里葉分析只能獲得信號的整個頻譜,而難以獲得信號的局部特性,對于非平穩(wěn)信號難以獲得希望的結(jié)果,這給滾動軸承故障診斷帶來了很大的困難。 為了克服傅里葉分析方法的弱點,本文采用小波分析方法。小波變換是一種信號的時間-尺度分析方法,它具有多分辨率的特點即對于信號的低頻部分具有較高的頻率分辨率和較低的時間分辨率,在信號高頻部分具有較高的時間分辨率和較低的頻率分辨率,它能有效地實現(xiàn)滾動軸承的信號濾波和特征提取。 然后就需要利用提取出來的特征向量進行故障類型識別了。支持向量機(Support Vector Machine)進行故障類型識別的優(yōu)點是所需要的樣本數(shù)目較少,能夠解決很多機器學習方法所不能解決的難題如:模型選擇與過學習問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等,然而該算法本身也存在缺陷,比如有向無環(huán)圖支持向量機多類分類算法(Directed Acyclic Graph SVMs,簡寫為DAG-SVMS)在分類過程中存在誤差累積現(xiàn)象,即若在某個節(jié)點處發(fā)生分類錯誤,則會把分類錯誤延續(xù)到該節(jié)點的下層節(jié)點中。而且分類錯誤在越靠近根節(jié)點的地方發(fā)生,誤差累積就越嚴重,分類性能越差。 為了解決這個問題,本文先利用近鄰函數(shù)準則算法進行初始聚類,然后再利用DAG-SVMS進行再次分類。利用該方法可以克服單獨利用支持向量機算法的缺點,使得分類識別效果更佳。 為了驗證該方法的有效性,本文利用工程車輛滾動軸承數(shù)據(jù)進行了實驗仿真,對采集的振動信號首先利用小波包分析方法進行信號降噪處理和能量特征提取,然后利用近鄰函數(shù)準則算法結(jié)合DAG-SVMS來進行故障類型分類。同時比較了傅里葉、人工神經(jīng)網(wǎng)絡(luò)以及DAG-SVMS等方法的實驗性能。發(fā)現(xiàn)該方法的診斷結(jié)果明顯優(yōu)于其它方法,能夠有效地對工程車輛滾動軸承故障進行檢測、診斷。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2010
【中圖分類】：TH165.3
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 本論文研究的背景和意義
    1.2 工程車輛滾動軸承故障診斷技術(shù)簡介及分類
        1.2.1 工程車輛滾動軸承信號處理方法
        1.2.2 工程車輛滾動軸承故障類型識別方法
        1.2.3 工程車輛滾動軸承故障診斷的步驟
        1.2.4 工程車輛滾動軸承故障診斷研究現(xiàn)狀及發(fā)展趨勢
    1.3 本論文的研究內(nèi)容
第二章 工程車輛滾動軸承的故障機理及依據(jù)
    2.1 工程車輛滾動軸承的旋轉(zhuǎn)結(jié)構(gòu)
    2.2 工程車輛滾動軸承的振動類型
    2.3 工程車輛滾動軸承的特征頻率和固有振動頻率
    2.4 本章小結(jié)
第三章 基于小波（包）分析的故障信號預(yù)處理
    3.1 傅里葉變換應(yīng)用
    3.2 小波分析方法
        3.2.1 小波分析方法應(yīng)用現(xiàn)狀
        3.2.2 小波變換應(yīng)用
    3.3 小波包分析方法應(yīng)用
        3.3.1 小波包的定義
        3.3.2 小波包算法
        3.3.3 小波包能量特征的提出
    3.4 小波函數(shù)的選擇
        3.4.1 常用的小波函數(shù)介紹
        3.4.2 小波基的特性
        3.4.3 滾動軸承故障信號處理中最佳小波基的選擇
        3.4.4 分解尺度的確定
    3.5 小波（包）分析在工程車輛滾動軸承故障診斷中的應(yīng)用
        3.5.1 小波分析對工程車輛滾動軸承故障信號消噪
        3.5.2 小波包分析對工程車輛滾動軸承故障信號消噪
    3.6 本章小結(jié)
第四章 工程車輛滾動軸承故障類型的識別
    4.1 基于BP 神經(jīng)網(wǎng)絡(luò)的故障識別系統(tǒng)設(shè)計
        4.1.1 BP 神經(jīng)網(wǎng)絡(luò)的算法
        4.1.2 BP 神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷上的應(yīng)用
    4.2 支持向量機在工程車輛滾動軸承故障識別中的應(yīng)用
        4.2.1 支持向量機
        4.2.2 支持向量機多分類方法
        4.2.3 支持向量機在工程車輛滾動軸承故障診斷中的應(yīng)用
            4.2.3.1 “一對多”算法仿真
            4.2.3.2 “一對一”算法仿真
    4.3 本章小結(jié)
第五章 工程車輛滾動軸承故障診斷系統(tǒng)設(shè)計
    5.1 信號采集及小波包預(yù)處理
    5.2 人工神經(jīng)網(wǎng)絡(luò)分析
    5.3 近鄰函數(shù)準則結(jié)合DAG-SVMS 算法
第六章 結(jié)論與展望
致謝
參考文獻
攻碩期間取得的研究成果

【參考文獻】

相關(guān)期刊論文 前10條

1 王悅;人工神經(jīng)網(wǎng)絡(luò)在經(jīng)濟效益綜合評價中的應(yīng)用[J];北京廣播電視大學學報;2002年03期

2 張佩瑤,馬孝江,王吉軍,朱泓;小波包信號提取算法及其在故障診斷中的應(yīng)用[J];大連理工大學學報;1997年01期

3 徐啟華,師軍;基于支持向量機的航空發(fā)動機故障診斷[J];航空動力學報;2005年02期

4 田振華,陸爽,田彥;高頻共振法在滾動軸承故障診斷中的應(yīng)用[J];吉林工業(yè)大學自然科學學報;1999年02期

5 李凌均,張周鎖,何正嘉;支持向量機在機械故障診斷中的應(yīng)用研究[J];計算機工程與應(yīng)用;2002年19期

6 唐發(fā)明,王仲東,陳綿云;一種新的二叉樹多類支持向量機算法[J];計算機工程與應(yīng)用;2005年07期

7 王紅軍,徐小力;機電設(shè)備故障診斷和趨勢預(yù)測的支持向量機方法[J];計算機工程與應(yīng)用;2005年16期

8 肖健華;吳今培;;樣本數(shù)目不對稱時的SVM模型[J];計算機科學;2003年02期

9 祁亨年;支持向量機及其應(yīng)用研究綜述[J];計算機工程;2004年10期

10 劉忠祥,邱阿瑞,劉玉偉;小波變換在滾動軸承故障診斷中的應(yīng)用[J];機械工程師;2002年03期

相關(guān)碩士學位論文 前1條

1 陳興輝;基于小波與支持向量機的滾動軸承故障診斷[D];太原理工大學;2006年

本文編號：2887124