目前,旋轉(zhuǎn)機(jī)械設(shè)備廣泛應(yīng)用在各項(xiàng)生產(chǎn)領(lǐng)域,而滾動(dòng)軸承作為機(jī)械設(shè)備中的重要元件,極易產(chǎn)生故障,一旦故障產(chǎn)生可能對(duì)企業(yè)造成一系列影響,如生產(chǎn)設(shè)備停機(jī)、經(jīng)濟(jì)效益受損及人員傷亡事故等。因此需要對(duì)滾動(dòng)軸承進(jìn)行科學(xué)的質(zhì)量管理,最關(guān)鍵的步驟是對(duì)其進(jìn)行監(jiān)控并準(zhǔn)確預(yù)測(cè)出故障趨勢(shì),實(shí)現(xiàn)預(yù)防性的故障控制。本文對(duì)滾動(dòng)軸承展開多種故障狀態(tài)的預(yù)測(cè)研究,提出了一種基于流形學(xué)習(xí)與LBSA-BTSVM結(jié)合的智能預(yù)測(cè)方法,進(jìn)而實(shí)現(xiàn)軸承故障的準(zhǔn)確預(yù)測(cè)。通過建立主動(dòng)型的“監(jiān)控-預(yù)測(cè)-控制”機(jī)制,在軸承故障未擴(kuò)散前做好控制維護(hù)措施,對(duì)設(shè)備的可靠運(yùn)行和企業(yè)、社會(huì)效益的最大化具有實(shí)際意義。首先,對(duì)軸承初始信號(hào)采用VMD與小波包閾值聯(lián)合降噪。軸承的振動(dòng)信號(hào)中不僅包含了有效信息還夾雜著大量的噪聲,對(duì)有效特征的提取造成了一定困難,因此需要對(duì)其進(jìn)行降噪處理。在此過程中,將VMD的強(qiáng)自適應(yīng)性分解和小波包的良好降噪效果結(jié)合,利用VMD將軸承信號(hào)分解為IMF分量,再通過小波包閾值降噪得到處理后信號(hào),并將其作為特征提取階段中的信號(hào)基礎(chǔ)。然后,對(duì)降噪后的軸承信號(hào)進(jìn)行融合特征提取。單一特征所表示的信息是有限的,并不能完全反映軸承信號(hào)的完整信息,因此結(jié)... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 信號(hào)降噪處理方法的研究現(xiàn)狀
        1.2.2 故障特征提取方法的研究現(xiàn)狀
        1.2.3 故障狀態(tài)識(shí)別方法的研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與技術(shù)路線
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究技術(shù)路線
    1.4 研究創(chuàng)新點(diǎn)
2 相關(guān)理論綜述
    2.1 滾動(dòng)軸承故障機(jī)理理論
        2.1.1 滾動(dòng)軸承的故障形式
        2.1.2 滾動(dòng)軸承的振動(dòng)機(jī)理
    2.2 變分模態(tài)分解理論
        2.2.1 VMD基本原理
        2.2.2 VMD算法流程
    2.3 支持向量機(jī)理論
        2.3.1 統(tǒng)計(jì)學(xué)習(xí)理論
        2.3.2 支持向量機(jī)
    2.4 鳥群算法理論
    2.5 萊維飛行理論
    2.6 本章小結(jié)
3 基于流形學(xué)習(xí)的故障融合特征提取
    3.1 滾動(dòng)軸承故障信號(hào)的降噪處理
        3.1.1 小波包閾值降噪原理
        3.1.2 VMD和小波包閾值聯(lián)合降噪
    3.2 滾動(dòng)軸承故障信號(hào)的特征提取
        3.2.1 基于統(tǒng)計(jì)性參數(shù)的信號(hào)特征提取
        3.2.2 基于能量的信號(hào)特征提取
        3.2.3 基于熵的信號(hào)特征提取
    3.3 滾動(dòng)軸承故障信號(hào)的多特征融合
        3.3.1 流形學(xué)習(xí)理論
        3.3.2 基于t-SNE的多特征融合
    3.4 本章小結(jié)
4 基于LBSA-BTSVM的故障預(yù)測(cè)模型構(gòu)建
    4.1 構(gòu)建模型的基本思路
    4.2 BTSVM模型原理
    4.3 LBSA算法流程
    4.4 基于LBSA-BTSVM的滾動(dòng)軸承故障預(yù)測(cè)模型
    4.5 本章小結(jié)
5 實(shí)驗(yàn)分析
    5.1 實(shí)驗(yàn)準(zhǔn)備
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 樣本收集
    5.2 滾動(dòng)軸承振動(dòng)信號(hào)融合特征提取
        5.2.1 滾動(dòng)軸承運(yùn)行狀態(tài)下振動(dòng)信號(hào)分解
        5.2.2 滾動(dòng)軸承運(yùn)行狀態(tài)下振動(dòng)信號(hào)降噪
        5.2.3 滾動(dòng)軸承運(yùn)行狀態(tài)下振動(dòng)信號(hào)融合特征提取
    5.3 滾動(dòng)軸承故障預(yù)測(cè)效果分析
        5.3.1 基于融合特征的LBSA-BTSVM的故障預(yù)測(cè)效果分析
        5.3.2 與基于各項(xiàng)單特征的LBSA-BTSVM故障預(yù)測(cè)效果對(duì)比
        5.3.3 與基于融合特征的其他預(yù)測(cè)模型故障預(yù)測(cè)效果對(duì)比
    5.4 基于預(yù)測(cè)模型的滾動(dòng)軸承故障控制措施
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 研究展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷、在校期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于變分模態(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障特征提取方法[J]. 戚曉利,葉緒丹,蔡江林,鄭近德,潘紫微,張興權(quán).  振動(dòng)與沖擊. 2018(23)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的層級(jí)化智能故障診斷算法[J]. 曲建嶺,余路,袁濤,田沿平,高峰.  控制與決策. 2019(12)
[3]基于小波變換的煤矸石自動(dòng)分選方法[J]. 陳立,杜文華,曾志強(qiáng),王俊元,王日俊.  工礦自動(dòng)化. 2018(12)
[4]基于分形流形學(xué)習(xí)的支持向量機(jī)空氣污染指數(shù)預(yù)測(cè)模型[J]. 李萍,倪志偉,朱旭輝,伍章俊.  系統(tǒng)科學(xué)與數(shù)學(xué). 2018(11)
[5]基于小波包層次熵的電主軸振動(dòng)信號(hào)特征提取方法[J]. 雷春麗,楊曉燕,成彥偉,張亞斌,方景芳.  蘭州理工大學(xué)學(xué)報(bào). 2018(05)
[6]基于支持向量機(jī)的軌道不平順預(yù)測(cè)研究[J]. 于瑤,劉仍奎,王福田.  鐵道科學(xué)與工程學(xué)報(bào). 2018(07)
[7]基于EEMD與空域相關(guān)降噪的滾動(dòng)軸承故障診斷方法[J]. 田晶,王英杰,王志,艾延廷,孫丹.  儀器儀表學(xué)報(bào). 2018(07)
[8]基于LMD樣本熵和RBF網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別研究[J]. 王名月,繆炳榮,李旭娟,楊忠坤.  機(jī)械強(qiáng)度. 2018(03)
[9]基于ICEEMDAN和小波閾值的滾動(dòng)軸承故障特征提取方法[J]. 肖茂華,張存義,傅秀清,熊龍飛,王月文,封志祥.  南京農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(04)
[10]基于CPSO-RVM的鋰電池剩余壽命預(yù)測(cè)方法[J]. 張朝龍,何怡剛,袁莉芬.  系統(tǒng)仿真學(xué)報(bào). 2018(05)



本文編號(hào)：3305256