滾動軸承作為旋轉(zhuǎn)機械設備的核心部件之一,其運行狀態(tài)直接關系到旋轉(zhuǎn)機械設備的穩(wěn)定性和安全性。因此,對滾動軸承進行故障診斷對于旋轉(zhuǎn)機械設備的運行維護具有重要的理論研究價值及經(jīng)濟意義。故障信息的特征提取和故障識別是滾動軸承故障診斷的關鍵,由于滾動軸承振動信號受設備周圍環(huán)境噪聲以及傳輸路徑等因素影響,表現(xiàn)出非線性和非平穩(wěn)性,大大增加了故障診斷的難度。鑒于此,本文運用互補集合經(jīng)驗模態(tài)分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）、奇異值分解（Singular value decomposition,SVD）和極限學習機（Extreme learning machine,ELM）方法,分別從信號處理、特征提取、故障診斷及故障分類的角度出發(fā),對滾動軸承故障診斷方法進行實驗研究,本文的主要研究工作如下:（1）針對滾動軸承故障信息難以提取的問題,提出了EEMD和SVD相融合的滾動軸承故障特征提取方法。首先通過EEMD方法對滾動軸承振動信號進行分解,分解得到若干本征模態(tài)分量（Intrinsic Mode Function,IMF）... 

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 滾動軸承故障診斷的國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 故障診斷技術的發(fā)展趨勢
    1.3 滾動軸承故障發(fā)展過程
    1.4 奇異值分解和極限學習機在故障診斷中的研究現(xiàn)狀
        1.4.1 奇異值分解理論研究現(xiàn)狀
        1.4.2 極限學習機理論研究現(xiàn)狀
    1.5 本文主要研究思路及內(nèi)容安排
        1.5.1 論文研究思路
        1.5.2 論文內(nèi)容安排
第二章 基于EEMD和SVD的滾動軸承故障特征提取方法研究
    2.1 引言
    2.2 EMD方法
        2.2.1 EMD方法概述
        2.2.2 本征模態(tài)函數(shù)
        2.2.3 EMD分解原理
        2.2.4 EMD存在的問題
    2.3 EEMD方法
        2.3.1 EEMD方法概述
        2.3.2 EEMD分解
        2.3.3 仿真信號對比分析
        2.3.4 振動信號的EEMD重構過程
    2.4 SVD方法
        2.4.1 SVD理論簡介
        2.4.2 矩陣維數(shù)的確定
        2.4.3 奇異值分量的選擇
        2.4.4 TKEO瞬時能量提取
    2.5 基于EEMD和SVD的特征提取方法
    2.6 基于EEMD和SVD的滾動軸承故障診斷
        2.6.1 實列分析
        2.6.2 外圈故障分析
        2.6.3 內(nèi)圈故障分析
        2.6.4 對比實驗
    2.7 本章小結(jié)
第三章 基于CEEMD和SVD的滾動軸承故障特征提取方法研究
    3.1 引言
    3.2 CEEMD方法
        3.2.1 CEEMD理論介紹
        3.2.2 相關性分析
        3.2.3 仿真信號對比實驗
    3.3 基于CEEMD和SVD的特征提取方法
    3.4 基于EEMD和SVD的滾動軸承故障診斷
        3.4.1 實驗分析
        3.4.2 對比實驗
    3.5 本章小結(jié)
第四章 基于CEEMD-SVD和ELM的滾動軸承故障診斷方法研究
    4.1 引言
    4.2 極限學習機基本思想
    4.3 基于CEEMD-SVD和ELM的故障診斷方法
    4.4 基于CEEMD-SVD和ELM的滾動軸承故障診斷
        4.4.1 實驗設計
        4.4.2 實驗分析
        4.4.3 對比實驗
    4.5 本章小結(jié)
第五章 結(jié)論與展望
    5.1 本文主要研究成果
    5.2 進一步工作展望
致謝
參考文獻
附錄A (攻讀碩士期間發(fā)表的論文)


【參考文獻】：
期刊論文
[1]基于極限學習機的中醫(yī)脈象識別方法[J]. 陳星池,黃淑春,趙海,王曉漫.  東北大學學報(自然科學版). 2017(09)
[2]基于Storm的在線序列極限學習機的氣象預測模型[J]. 歐陽建權,周勇,唐歡容.  計算機研究與發(fā)展. 2017(08)
[3]基于LBP和極限學習機的腦部MR圖像分類[J]. 何其佳,劉振丙,徐濤,蔣淑潔.  山東大學學報(工學版). 2017(02)
[4]基于STFT時頻譜系數(shù)收縮的信號降噪方法[J]. 郭遠晶,魏燕定,周曉軍.  振動.測試與診斷. 2015(06)
[5]基于EMD和MKD的滾動軸承故障診斷方法[J]. 隋文濤,張丹,Wilson Wang.  振動與沖擊. 2015(09)
[6]CEEMD-FFT在滾動軸承故障診斷中的應用[J]. 陸森林,王龍.  鄭州大學學報(工學版). 2015(01)
[7]基于峭度準則EEMD及改進形態(tài)濾波方法的軸承故障診斷[J]. 吳小濤,楊錳,袁曉輝,龔廷愷.  振動與沖擊. 2015(02)
[8]基于二次奇異值分解和最小二乘支持向量機的軸承故障診斷方法[J]. 李葵,范玉剛,吳建德.  計算機應用. 2014(08)
[9]基于奇異值分解和相關峭度的滾動軸承故障診斷方法研究[J]. 張永祥,王孝霖,張帥,朱杰平.  振動與沖擊. 2014(11)
[10]改進的奇異值分解在軸承故障診斷中的應用[J]. 王超,孔凡讓,黃偉國,李昌林,陳輝.  振動工程學報. 2014(02)

博士論文
[1]面向旋轉(zhuǎn)機械故障診斷的經(jīng)驗模態(tài)分解時頻分析方法及實驗研究[D]. 胡勁松.浙江大學 2003

碩士論文
[1]基于LCD和PSO-LSSVM的城軌列車滾動軸承故障診斷研究[D]. 王辭.北京交通大學 2015
[2]基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D]. 李玉奎.燕山大學 2015
[3]基于局部特征尺度分解的滾動軸承故障診斷方法[D]. 楊潘.湖南大學 2014
[4]基于振動特征提取的滾動軸承故障診斷方法研究[D]. 廖星智.昆明理工大學 2014
[5]基于LCD和VPMCD的滾動軸承故障診斷方法[D]. 李杰.湖南大學 2013
[6]風機軸承故障診斷中的振動信號特征提取方法研究[D]. 楊玉昕.燕山大學 2013
[7]基于支持向量機的滾動軸承故障診斷方法研究[D]. 楊敏敏.江西理工大學 2012
[8]基于經(jīng)驗模態(tài)分解法的滾動軸承故障診斷系統(tǒng)研究[D]. 曾海平.浙江大學 2005



本文編號：3684150