滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中關(guān)鍵的零部件之一,也是應(yīng)用最廣泛的零件。滾動(dòng)軸承的運(yùn)轉(zhuǎn)狀態(tài)直接影響整個(gè)設(shè)備的正常運(yùn)行,由于其自身工作特性以及所處的工作環(huán)境導(dǎo)致滾動(dòng)軸承較容易發(fā)生故障。因此,能夠及時(shí)準(zhǔn)確地對滾動(dòng)軸承進(jìn)行故障的診斷和識別,不僅能夠使設(shè)備可靠穩(wěn)定的運(yùn)行,而且具有重要的現(xiàn)實(shí)意義。流形學(xué)習(xí)是一種新型的維數(shù)約簡方法,該方法適合處理非線性、非平穩(wěn)的軸承振動(dòng)信號。本文首先采用相空間重構(gòu)技術(shù)和流形學(xué)習(xí)方法中的LTSA算法結(jié)合對滾動(dòng)軸承的振動(dòng)信號進(jìn)行降噪處理;對降噪后的信號通過傅里葉變換得到時(shí)域、頻域等特征形成多域特征集,對多域特征集通過FCBF算法選擇出敏感特征;最后提出了基于局部線性判別嵌入（LLDE）和支持向量機(jī)（SVM）滾動(dòng)軸承故障識別模型,先利用LLDE對降噪后的信號進(jìn)行特征提取,再將提取后的特征輸入到訓(xùn)練好的SVM中對滾動(dòng)軸承進(jìn)行分類識別。由于滾動(dòng)軸承的故障是一個(gè)由輕微到嚴(yán)重的發(fā)展過程,因此在確定故障類型的前提下對滾動(dòng)體故障進(jìn)行損傷程度的識別。通過軸承故障的實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證,結(jié)果表明該故障識別模型能夠很好的對滾動(dòng)軸承的故障類型以及故障程度進(jìn)行識別。通過對比k-近鄰分類器識別效果,得到SVM... 

【文章來源】：沈陽理工大學(xué)遼寧省

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【部分圖文】：

滾動(dòng)軸承基本結(jié)構(gòu)

圖 3.1 相空間-流形學(xué)習(xí)降噪流程Fig. 3.1 phase space manifold learning noise reduction process將選取四種不同狀態(tài)的第一組數(shù)據(jù)進(jìn)行處理。降噪時(shí)先對相空間重參數(shù)選擇，本文采用 C-C 方法確定時(shí)間延遲 ，Cao 方法確定嵌入維數(shù)方法選擇第一個(gè)極小值點(diǎn)作為最優(yōu)時(shí)間延遲 ，根據(jù)Cao方法，當(dāng) 1 1時(shí)，可以從圖中得到嵌入維數(shù) m 的值，即為最小嵌入維數(shù)。四種狀間延遲和嵌入維數(shù)參數(shù)的圖如下所示。

圖 3.1 相空間-流形學(xué)習(xí)降噪流程Fig. 3.1 phase space manifold learning noise reduction process實(shí)驗(yàn)將選取四種不同狀態(tài)的第一組數(shù)據(jù)進(jìn)行處理。降噪時(shí)先對相空間重構(gòu)的方法進(jìn)行參數(shù)選擇，本文采用 C-C 方法確定時(shí)間延遲 ，Cao 方法確定嵌入維數(shù) m。根據(jù)C-C方法選擇第一個(gè)極小值點(diǎn)作為最優(yōu)時(shí)間延遲 ，根據(jù)Cao方法，當(dāng) 1( ) =2( ) = 1時(shí)，可以從圖中得到嵌入維數(shù) m 的值，即為最小嵌入維數(shù)。四種狀態(tài)下的確定時(shí)間延遲和嵌入維數(shù)參數(shù)的圖如下所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于歸一化互信息的FCBF特征選擇算法[J]. 段宏湘,張秋余,張墨逸.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[2]航空發(fā)動(dòng)機(jī)狀態(tài)參數(shù)的關(guān)聯(lián)維數(shù)分析[J]. 李曉娟,曲建嶺,鄒文棟,邸亞洲.  計(jì)算機(jī)仿真. 2013(09)
[3]利用非線性流形學(xué)習(xí)的軸承早期故障特征提取方法[J]. 栗茂林,王孫安,梁霖.  西安交通大學(xué)學(xué)報(bào). 2010(05)
[4]基于加權(quán)相空間重構(gòu)降噪及樣本熵的齒輪故障分類[J]. 呂勇,李友榮,肖涵,王志剛.  振動(dòng)工程學(xué)報(bào). 2009(05)
[5]非線性時(shí)間序列的相空間重構(gòu)技術(shù)研究[J]. 秦奕青,蔡衛(wèi)東,楊炳儒.  系統(tǒng)仿真學(xué)報(bào). 2008(11)
[6]基于主流形識別的非線性時(shí)間序列降噪方法及其在故障診斷中的應(yīng)用[J]. 陽建宏,徐金梧,楊德斌,黎敏.  機(jī)械工程學(xué)報(bào). 2006(08)
[7]基于重采樣的混沌時(shí)間序列相空間重構(gòu)研究[J]. 李夕海,劉代志,張斌,翟為剛.  信號處理. 2006(02)
[8]基于非線性降維的圖像識別[J]. 譚璐,易東云,吳翊,袁偉.  計(jì)算機(jī)工程. 2005(13)
[9]混沌時(shí)間序列分析中的相空間重構(gòu)技術(shù)綜述[J]. 陳鏗,韓伯棠.  計(jì)算機(jī)科學(xué). 2005(04)
[10]線性低秩逼近與非線性降維[J]. 張振躍,查宏遠(yuǎn).  中國科學(xué)(A輯:數(shù)學(xué)). 2005(03)

博士論文
[1]旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法及其應(yīng)用研究[D]. 武哲.北京交通大學(xué) 2016
[2]基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障診斷方法研究[D]. 蘇祖強(qiáng).重慶大學(xué) 2015
[3]基于小波分析-EEMD-BSS與改進(jìn)的KNN算法的振動(dòng)篩振動(dòng)電機(jī)滾動(dòng)軸承故障信號提取和故障識別研究[D]. 孫長飛.西安建筑科技大學(xué) 2014
[4]流形學(xué)習(xí)及其應(yīng)用算法研究[D]. 杜春.國防科學(xué)技術(shù)大學(xué) 2014
[5]滾動(dòng)軸承振動(dòng)信號特征提取及診斷方法研究[D]. 朱可恒.大連理工大學(xué) 2013
[6]基于流形學(xué)習(xí)的滾動(dòng)軸承故障診斷若干方法研究[D]. 王雷.大連理工大學(xué) 2013
[7]基于重構(gòu)相空間的結(jié)構(gòu)損傷檢測方法及可視化研究[D]. 聶振華.暨南大學(xué) 2012
[8]基于耦合隱馬爾可夫模型的滾動(dòng)軸承故障診斷與性能退化評估研究[D]. 肖文斌.上海交通大學(xué) 2011
[9]基于改進(jìn)支持向量機(jī)和紋理圖像分析的旋轉(zhuǎn)機(jī)械故障診斷[D]. 劉路.天津大學(xué) 2011
[10]基于流形學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D]. 王廣斌.中南大學(xué) 2010

碩士論文
[1]基于ReliefF-FCBF組合的入侵特征選擇算法研究[D]. 黃春虎.新疆大學(xué) 2016
[2]聚類算法在轉(zhuǎn)子故障診斷中的應(yīng)用[D]. 劉江煒.西安工業(yè)大學(xué) 2015
[3]基于EEMD樣本熵和模糊聚類的軸承故障診斷方法研究[D]. 李亮.燕山大學(xué) 2013
[4]基于MLE的本征維數(shù)估計(jì)方法研究[D]. 傅保偉.東北師范大學(xué) 2010
[5]基于小波神經(jīng)網(wǎng)絡(luò)的機(jī)械故障診斷方法的研究[D]. 鄭令.大連交通大學(xué) 2009
[6]基于EMD與支持向量機(jī)的轉(zhuǎn)子故障診斷方法研究[D]. 陳淼峰.湖南大學(xué) 2005



本文編號：2935858