復(fù)雜工作環(huán)境下,軸承的微弱故障特征在噪聲的干擾下很難提取,給診斷帶來了困難。此外,當(dāng)產(chǎn)生位置不同的復(fù)合故障時(shí),故障之間相互耦合,給旋轉(zhuǎn)機(jī)械故障精確診斷帶來了挑戰(zhàn)。論文將滾動(dòng)軸承的振動(dòng)信號(hào)作為研究對(duì)象,針對(duì)軸承單一故障和復(fù)合故障特點(diǎn),研究了基于奇異譜和深度信念網(wǎng)絡(luò)的軸承故障診斷方法。首先,研究了混沌空間結(jié)構(gòu)的一種新的度量方式—混沌奇異譜,從數(shù)學(xué)角度解釋奇異譜的特征空間和噪聲平臺(tái),以及從幾何空間角度說明奇異譜是一種基于方差極大化的空間幾何結(jié)構(gòu)的描述方式,表明混沌奇異譜能夠提取信噪比較低的特征信號(hào),具有較強(qiáng)的抗噪聲干擾能力。通過對(duì)Lorenz系統(tǒng)和Duffing系統(tǒng)進(jìn)行數(shù)值驗(yàn)證,證明了混沌奇異譜的穩(wěn)定性和較強(qiáng)的抗噪聲性能。通過混沌奇異譜對(duì)軸承振動(dòng)信號(hào)進(jìn)行分析,驗(yàn)證了該方法診斷軸承故障的有效性。然后,針對(duì)故障診斷過程中的模式識(shí)別問題,研究了深度信念網(wǎng)絡(luò)（Deep Belief Network,DBN）分類器方法,結(jié)合變分模態(tài)分解樣本熵提取的特征,利用DBN對(duì)軸承故障診斷,仿真實(shí)驗(yàn)驗(yàn)證了其分類性能在小樣本、標(biāo)簽樣本較少時(shí)中的優(yōu)越性。針對(duì)軸承復(fù)合故障的診斷,提出基于奇異譜分解（Singular S... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

軸承故障診斷實(shí)驗(yàn)平臺(tái)


本文編號(hào)：3506859