發(fā)布時間：2017-05-01 05:12

  本文關(guān)鍵詞：基于振動信號分析的滾動軸承故障診斷研究，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承廣泛應(yīng)用于工業(yè)生產(chǎn)設(shè)備中,是大型旋轉(zhuǎn)機械設(shè)備必不可缺的重要部件,其運行狀態(tài)直接關(guān)系著整個生產(chǎn)系統(tǒng)是否能夠安全穩(wěn)定的運行。為了避免事故的發(fā)生和經(jīng)濟損失,為此對滾動軸承進行狀態(tài)監(jiān)測和故障診斷具有極其重要的意義。滾動軸承運行時,其發(fā)出的振動信號包含著豐富的運行狀態(tài)信息,通過采集滾動軸承運行時的振動信號并進行處理和分析,可完成對滾動軸承的狀態(tài)監(jiān)測。本文以滾動軸承的振動信號為分析對象,應(yīng)用小波包分析、希爾伯特黃變換及支持向量機的多分類技術(shù)實現(xiàn)了對滾動軸承的故障診斷。希爾伯特黃變換本身具有自適應(yīng)性、完備性、正交性,其適合處理非線性、非平穩(wěn)的旋轉(zhuǎn)機械振動信號。然而在工業(yè)現(xiàn)場中采集到的振動信號往往包含大量噪聲,信號本身的信噪比不高,使得希爾伯特黃變換很難達到準(zhǔn)確的結(jié)果。本文為提高希爾伯特黃變換分析準(zhǔn)確性,采用小波包對原始信號進行降噪處理,將小波包降噪后的信號進行EMD分解,使用峭度值和互相關(guān)系數(shù)對所有分解的內(nèi)稟模態(tài)函數(shù)進行篩選,將篩選后的IMF進行希爾伯特包絡(luò)分析,在包絡(luò)譜中找到故障特征頻率,從而發(fā)現(xiàn)故障類型。為了滾動軸承的故障診斷具有智能化,根據(jù)滾動軸承發(fā)生不同故障類型或不同損傷程度時,其相同頻段內(nèi)信號的能量會發(fā)生變換這一特性,故本文提出將小波包能量提取技術(shù)與支持向量機的多分類技術(shù)相結(jié)合,對滾動軸承完成智能化故障診斷,為提高支持向量機的分類準(zhǔn)確率,文中采用主成分分析(PCA)對歸一化之后的特征向量進一步處理,使原有的8維特征向量降到3維特征向量,減少支持向量機的輸入?yún)?shù),進而提高了支持向量機分類的準(zhǔn)確性和推廣能力。本文利用MATLAB軟件和LIBSVM工具箱兩種方法進行實驗仿真,實驗結(jié)果表明:經(jīng)過小波包降噪和峭度值與互相關(guān)系數(shù)的篩選可以得到具有代表早期故障的內(nèi)稟模態(tài)函數(shù),對該函數(shù)進行希爾伯包絡(luò)分析可以在其包譜中明顯的發(fā)現(xiàn)故障特征頻率,進而判斷滾動軸承發(fā)生故障類型,然而該方法卻無法判斷故障損傷程度;通過結(jié)合小波包能量提取、主成分分析、支持向量機技術(shù),不僅可以實現(xiàn)對不同類別的故障進行分類,也可以實現(xiàn)對不同損傷程度的識別。
【關(guān)鍵詞】：故障診斷 小波分析 希爾伯特黃變換 支持向量機 滾動軸承 振動分析
【學(xué)位授予單位】：遼寧科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 中文摘要5-6
• ABSTRACT6-10
• 1.緒論10-16
• 1.1 滾動軸承故障診斷的研究背景和意義10-11
• 1.2 滾動軸承故障診斷技術(shù)研究概述11-14
• 1.2.1 滾動軸承故障監(jiān)測技術(shù)11-12
• 1.2.2 滾動軸承故障監(jiān)測技術(shù)的研究現(xiàn)狀12-13
• 1.2.3 滾動軸承故障技術(shù)的總體趨勢13-14
• 1.3 滾動軸承故障診斷系統(tǒng)14-15
• 1.4 本文主要的研究內(nèi)容15-16
• 2.滾動軸承故障成因和振動原理16-25
• 2.1 滾軸承的結(jié)構(gòu)16-17
• 2.2 滾動軸承的故障類型及成因17-20
• 2.3 滾動軸承振動成因及故障頻率計算20-21
• 2.3.1 滾動軸承的振動成因20-21
• 2.3.2 滾動軸承特征頻率計算21
• 2.4 滾動軸承振動信號的采集21-22
• 2.5 實驗所使用的故障數(shù)據(jù)的描述22-24
• 2.5.1 滾動軸承系統(tǒng)和實驗條件22-23
• 2.5.2 故障數(shù)據(jù)文件的具體描述23-24
• 2.6 本章總結(jié)24-25
• 3.小波分析與希爾伯特黃變換理論25-41
• 3.1 小波分析25-31
• 3.1.1 連續(xù)小波變換25-26
• 3.1.2 離散小波變換26-28
• 3.1.3 Mallat快速算法28-30
• 3.1.4 小波包理論30-31
• 3.2 小波降噪31-33
• 3.3 希爾伯特黃變換33-40
• 3.3.1 EMD分解及過程33-34
• 3.3.2 希爾伯特包絡(luò)分析34-35
• 3.3.3 噪聲對希爾伯特黃邊換的影響35-40
• 3.4 本章總結(jié)40-41
• 4.基于WPD-HHT在滾動軸承的故障診斷研究41-51
• 4.1 小波包的分解與重構(gòu)41
• 4.2 基于WPD—HHT的方法研究41-42
• 4.3 MATLAB實驗仿真42-50
• 4.3.1 實驗數(shù)據(jù)42-43
• 4.3.2 基于WPD-HHT方法在故障診斷應(yīng)用的實例43-50
• 4.4 本章總結(jié)50-51
• 5.基于WPD-PCA-SVM在滾動軸承的故障診斷研究51-65
• 5.1 支持向量機理論51-56
• 5.1.1 最優(yōu)分類面51-52
• 5.1.2 線性支持向量機52-53
• 5.1.3 非線性支持向量機53-54
• 5.1.4 多分類支持向量機54-56
• 5.2 小波包的能量提取技術(shù)56-58
• 5.2.1 小波包的能量提取56
• 5.2.2 特征向量的歸一化處理56-58
• 5.3 主成分分析技術(shù)58-59
• 5.4 基于WPD-PCA-SVM在滾動軸承故障診斷的研究59-60
• 5.5 實驗仿真60-63
• 5.5.1 樣本測試數(shù)據(jù)60-61
• 5.5.2 滾動軸承故障診斷實驗61-63
• 5.6 本章總結(jié)63-65
• 6.總結(jié)與展望65-66
• 6.1 全文總結(jié)65-66
• 參考文獻66-68
• 致謝68-69
• 作者簡介69-70

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李秀坤;謝磊;秦宇;;應(yīng)用希爾伯特黃變換的水下目標(biāo)特征提取[J];哈爾濱工程大學(xué)學(xué)報;2009年05期

2 湯華穎;郭永剛;;希爾伯特—黃變換譜與傅立葉譜的比較分析[J];山西建筑;2009年24期

3 李新欣;;基于希爾伯特-黃變換的船舶聲信號特征提取[J];哈爾濱理工大學(xué)學(xué)報;2014年03期

4 袁龍;李小昱;馮耀澤;;基于希爾伯特黃變換的發(fā)動機故障診斷方法研究[J];湖北農(nóng)業(yè)科學(xué);2010年05期

5 孫濤;劉晶t，

本文編號：338300