本文關鍵詞：基于神經(jīng)網(wǎng)絡的軸承故障診斷技術研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機械設備在航空航天、交通運輸、經(jīng)濟生產(chǎn)、冶金化工等各個工業(yè)和生產(chǎn)領域中得到廣泛應用。滾動軸承是機械設備中最重要的零件之一,卻也是故障高發(fā)、易引起設備運行不穩(wěn)定的因素。一旦發(fā)生故障,將帶來嚴重的影響和危害。如何保持其健康狀態(tài)、以及出現(xiàn)故障后能被及時檢測和維修,都是非常重要的問題。因此,對滾動軸承的故障檢測和診斷是一個具有重要意義的研究方向。本文以滾動軸承在正常狀態(tài)與三種非正常狀態(tài)(內(nèi)圈故障狀態(tài)、滾動體故障狀態(tài)和外圈故障狀態(tài))下運行時的振動信號數(shù)據(jù)進行實驗分析,通過小波變換、希爾伯特-黃變換等方法提取信號的特征參量,并將這些參量組成信號的特征向量作為樣本輸入到神經(jīng)網(wǎng)絡之中。通過樣本特征向量的降維以及對神經(jīng)網(wǎng)絡權(quán)值和閾值尋優(yōu),對神經(jīng)網(wǎng)絡性能進行優(yōu)化,從而實現(xiàn)對樣本的模式識別和故障分類。論文首先簡述了滾動軸承故障診斷技術的研究發(fā)展歷史和現(xiàn)狀。隨后,對滾動軸承的結(jié)構(gòu)、故障數(shù)據(jù)包含的類型、以及故障特征頻率等內(nèi)容進行了介紹,并進行了簡單的時域分析和頻域分析。基于滾動軸承信號具有的非平穩(wěn)特性,應用離散小波分析、希爾伯特-黃變換和基于參數(shù)自適應的Morlet小波變換三種時頻分析方法對信號進行分析,三種方法都顯示了良好的效果,將三種方法各自提取的特征參量相結(jié)合組成了可以代表軸承故障類型(包括正常狀態(tài))的特征向量。通過把特征向量應用到不同神經(jīng)網(wǎng)絡中的結(jié)果的對比分析,選用了Levenberg-Marquardt型BP算法作為狀態(tài)識別的方法。利用基于歐幾里德距離的特征選取方法對特征向量中的參量進行分析并選擇最具有代表性的參量,達到了對神經(jīng)網(wǎng)絡輸入樣本進行降維的目的;另外,利用遺傳算法對神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化,使得神經(jīng)網(wǎng)絡的訓練速度和精度都得到了很大的提升。最終通過對測試樣本的分析,所研究的方法可以對不同的故障模式進行準確分類,表明了其對于滾動軸承故障檢測和診斷具有很強的適用性。
【關鍵詞】：滾動軸承 信號處理 小波變換分析 歐幾里德距離 神經(jīng)網(wǎng)絡
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH165.3;TP183
【目錄】：

• 摘要5-6
• abstract6-11
• 第一章 緒論11-18
• 1.1 研究背景及意義11-12
• 1.2 國內(nèi)外研究發(fā)展趨勢12-14
• 1.2.1 國外故障診斷研究發(fā)展12-13
• 1.2.2 國內(nèi)故障診斷研究發(fā)展13-14
• 1.3 基于人工智能的故障診斷技術14-16
• 1.4 本課題研究的主要內(nèi)容16-18
• 第二章 軸承的故障類型及診斷方法18-27
• 2.1 軸承的結(jié)構(gòu)18-19
• 2.2 軸承的故障類型19-20
• 2.3 滾動軸承故障振動信號數(shù)據(jù)20
• 2.4 滾動軸承的振動特征頻率20-22
• 2.4.1 滾動軸承的固有振動頻率20-21
• 2.4.2 滾動軸承的故障特征頻率21-22
• 2.5 滾動軸承的信號分析故障診斷方法22-25
• 2.5.1 滾動軸承振動信號的時域分析方法22-24
• 2.5.2 滾動軸承振動信號的頻域分析方法24-25
• 2.5.3 滾動軸承振動信號的時頻分析方法25
• 2.6 滾動軸承的神經(jīng)網(wǎng)絡故障診斷方法25-26
• 2.7 本章小結(jié)26-27
• 第三章 軸承故障的振動信號分析27-46
• 3.1 小波變換與Hilbert包絡譜分析27-33
• 3.1.1 小波變換理論27-28
• 3.1.2 小波變換多分辨率分析28-30
• 3.1.3 Hilbert包絡譜分析30
• 3.1.4 小波變換與Hilbert包絡譜分析的實現(xiàn)30-33
• 3.2 希爾伯特—黃變換理論分析33-38
• 3.2.1 本征模態(tài)函數(shù)的定義33-34
• 3.2.2 EMD算法的分解過程34-36
• 3.2.3 希爾伯特-黃變換的實現(xiàn)36-38
• 3.3 基于參數(shù)自適應Morlet小波的軸承故障診斷38-45
• 3.3.1 基于Shannon熵理論的最優(yōu)形狀參數(shù)選取39-41
• 3.3.2 基于SVD理論的最優(yōu)小波尺度選取41-43
• 3.3.3 基于參數(shù)自適應Morlet小波方法的實現(xiàn)43-45
• 3.4 滾動軸承故障信號分析的特征向量45
• 3.5 本章小結(jié)45-46
• 第四章 基于BP神經(jīng)網(wǎng)絡故障診斷方法研究46-64
• 4.1 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)與運行原理46-50
• 4.1.1 BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)46-47
• 4.1.2 BP神經(jīng)網(wǎng)絡的基本原理47-48
• 4.1.3 BP神經(jīng)網(wǎng)絡的學習算法48-50
• 4.2 BP神經(jīng)網(wǎng)絡參數(shù)的選擇50-53
• 4.2.1 各層網(wǎng)絡節(jié)點數(shù)的選擇50
• 4.2.2 初始權(quán)值的選擇50-51
• 4.2.3 學習速率的選擇51
• 4.2.4 期望誤差的選擇51
• 4.2.5 激勵函數(shù)的選擇51-53
• 4.2.6 數(shù)據(jù)歸一化處理53
• 4.3 基于BP神經(jīng)網(wǎng)絡的軸承故障診斷53-55
• 4.4 基于改進型BP神經(jīng)網(wǎng)絡的軸承故障診斷55-63
• 4.4.1 啟發(fā)式改進算法55-59
• 4.4.2 數(shù)值優(yōu)化改進算法59-63
• 4.5 本章小結(jié)63-64
• 第五章 神經(jīng)網(wǎng)絡的性能優(yōu)化及故障診斷應用64-78
• 5.1 基于歐式距離的故障特征選擇64-67
• 5.2 遺傳算法的運行原理67-72
• 5.2.1 遺傳算法的基本思想67-68
• 5.2.2 遺傳算法的運行步驟68-69
• 5.2.3 遺傳算法的算子操作69-70
• 5.2.4 遺傳算法的特點70-71
• 5.2.5 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的運行流程71-72
• 5.3 神經(jīng)網(wǎng)絡優(yōu)化過程中的參數(shù)選擇72-73
• 5.3.1 BP神經(jīng)網(wǎng)絡部分的結(jié)構(gòu)參數(shù)選擇72-73
• 5.3.2 遺傳算法部分的參數(shù)選擇73
• 5.4 基于性能優(yōu)化的神經(jīng)網(wǎng)絡的軸承故障診斷應用73-77
• 5.5 本章小結(jié)77-78
• 第六章 總結(jié)與展望78-80
• 6.1 全文總結(jié)78-79
• 6.2 研究展望79-80
• 致謝80-81
• 參考文獻81-85
• 碩士期間所取得的研究成果85-86

【參考文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 王婷;EMD算法研究及其在信號去噪中的應用[D];哈爾濱工程大學;2010年

  本文關鍵詞：基于神經(jīng)網(wǎng)絡的軸承故障診斷技術研究，，由筆耕文化傳播整理發(fā)布。

本文編號：373285