本文關(guān)鍵詞：滾動(dòng)軸承故障程度和工況不敏感智能診斷方法研究

  更多相關(guān)文章： 滾動(dòng)軸承 智能診斷 熵 提升小波包分解 S變換

【摘要】：滾動(dòng)軸承廣泛應(yīng)用于各類旋轉(zhuǎn)機(jī)械設(shè)備中且工作環(huán)境十分復(fù)雜和惡劣,其健康狀態(tài)直接關(guān)系旋轉(zhuǎn)機(jī)械的整機(jī)性能,一旦失效可能導(dǎo)致潛在的經(jīng)濟(jì)損失和安全事故。另一方面,現(xiàn)代旋轉(zhuǎn)機(jī)械設(shè)備正朝著集成化和自動(dòng)化方向發(fā)展,對其進(jìn)行故障診斷所需的數(shù)據(jù)量越來越多,對智能診斷的需求尤其迫切,以減少人工主觀性影響。因此,有效地進(jìn)行滾動(dòng)軸承智能診斷對于旋轉(zhuǎn)機(jī)械設(shè)備具有重要的現(xiàn)實(shí)意義。機(jī)械故障智能診斷過程主要包括三個(gè)步驟:振動(dòng)信號(hào)的獲取,故障特征信息的提取,故障狀態(tài)的模式識(shí)別。整個(gè)過程中的振動(dòng)信號(hào)獲取是基礎(chǔ),特征提取是關(guān)鍵,將直接影響模式識(shí)別的準(zhǔn)確性和可靠性,故障模式的識(shí)別是結(jié)果。本文以滾動(dòng)軸承為研究對象,研究以下幾類滾動(dòng)軸承故障智能診斷方法:(1)研究以熵為滾動(dòng)軸承的運(yùn)行振動(dòng)特征,利用以Tsallis熵和樣本熵為基礎(chǔ),分別利用小波包分解和提升小波包分解方法,用以在多個(gè)尺度上描述非線性、非平穩(wěn)性振動(dòng)信號(hào)的復(fù)雜度,結(jié)合概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)提出兩種滾動(dòng)軸承智能診斷方法,并通過從QPZZ-Ⅱ故障模擬平臺(tái)上采集到的滾動(dòng)軸承十種不同健康狀態(tài)振動(dòng)信號(hào)驗(yàn)證了兩種基于熵的滾動(dòng)軸承智能診斷方法的有效性。(2)研究一種多尺度熵特征提取方法和基于二叉樹型多分類器集成的模式識(shí)別方法,利用二叉樹結(jié)構(gòu)將原多類分類問題轉(zhuǎn)換成在每個(gè)節(jié)點(diǎn)處的2類分類問題,從而可以在二叉樹每個(gè)節(jié)點(diǎn)處采用基于多數(shù)投票法和三種神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)多分類器集成系統(tǒng)。并以西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的振動(dòng)信號(hào)通過對比實(shí)驗(yàn)來驗(yàn)證方法的有效性;(3)研究一種滾動(dòng)軸承故障程度和運(yùn)行工況不敏感智能診斷方法,針對工程實(shí)際中訓(xùn)練樣本集和測試樣本集雖然故障類型相同(如均為滾動(dòng)體故障),但故障程度和運(yùn)行工況卻可能不同的問題,提出了對軸承振動(dòng)信號(hào)經(jīng)過S變換后得到二維矩陣,并采用奇異值分解技術(shù)對二維矩陣進(jìn)行二次特征提取,由奇異值分解后得到對角陣中對角線上的元素構(gòu)成特征向量,并結(jié)合支持向量機(jī)實(shí)現(xiàn)智能診斷。以西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的信號(hào)作為以上方法的數(shù)據(jù)支撐,并通過實(shí)驗(yàn)來驗(yàn)證該方法能夠有效地實(shí)現(xiàn)故障程度和運(yùn)行工況不敏感的滾動(dòng)軸承智能診斷,效果優(yōu)于傳統(tǒng)滾動(dòng)軸承智能診斷方法。
【關(guān)鍵詞】：滾動(dòng)軸承 智能診斷 熵 提升小波包分解 S變換
【學(xué)位授予單位】：華東交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TH133.33
【目錄】：

• 摘要3-4
• ABSTRACT4-9
• 主要符號(hào)說明9-10
• 第一章 緒論10-21
• 1.1 課題研究的背景與意義10-12
• 1.1.1 課題的來源10
• 1.1.2 課題的研究意義10-12
• 1.2 國內(nèi)外相關(guān)研究12-19
• 1.2.1 振動(dòng)信號(hào)特征提取的研究現(xiàn)狀12-15
• 1.2.2 模式識(shí)別方法的研究現(xiàn)狀15-17
• 1.2.3 滾動(dòng)軸承故障程度和工況不敏感智能診斷方法的研究現(xiàn)狀17-19
• 1.3 研究內(nèi)容19-21
• 第二章 基于熵的滾動(dòng)軸承智能診斷方法21-44
• 2.1 熵的理論21-23
• 2.1.1 Tsallis熵21-22
• 2.1.2 樣本熵22-23
• 2.2 小波包變換理論23-28
• 2.2.1 連續(xù)小波變換24-25
• 2.2.2 離散小波變換25
• 2.2.3 小波包變換25-26
• 2.2.4 第二代小波變換26-27
• 2.2.5 第二代小波包變換27-28
• 2.3 神經(jīng)網(wǎng)絡(luò)理論28-31
• 2.3.1 概率神經(jīng)網(wǎng)絡(luò)29-30
• 2.3.2 徑向基神經(jīng)網(wǎng)絡(luò)30-31
• 2.4 基于小波包Tsallis熵和PNN的軸承智能診斷方法31-37
• 2.4.1 實(shí)驗(yàn)情況31-33
• 2.4.2 基于WPT和Tsallis熵的振動(dòng)信號(hào)特征提取33
• 2.4.3 基于小波包Tsallis熵和PNN的智能診斷模型33-34
• 2.4.4 結(jié)果分析34-35
• 2.4.5 與小波包能量特征提取方法對比35-37
• 2.5 基于提升小波包樣本熵和RBF的軸承智能診斷方法37-42
• 2.5.1 實(shí)驗(yàn)情況37-38
• 2.5.2 基于LWPT和SampEn的振動(dòng)信號(hào)特征提取38-39
• 2.5.3 基于提升小波包樣本熵和RBF的智能診斷模型39-40
• 2.5.4 結(jié)果分析40-42
• 2.6 本章小節(jié)42-44
• 第三章 基于二叉樹型多分類器集成的智能診斷方法44-58
• 3.1 多尺度熵基本理論44-45
• 3.2 多分類器集成理論45-50
• 3.2.1 成員分類器46-49
• 3.2.2 二叉樹型多分類器集成系統(tǒng)49-50
• 3.3 實(shí)驗(yàn)情況50-57
• 3.3.1 滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)50-51
• 3.3.2 多尺度熵特征提取51-52
• 3.3.3 二叉樹型多分類器集成系統(tǒng)診斷效果52-54
• 3.3.4 與單一神經(jīng)網(wǎng)絡(luò)診斷效果對比54-57
• 3.4 本章小節(jié)57-58
• 第四章 滾動(dòng)軸承魯棒型智能診斷方法58-79
• 4.1 S變換理論60-62
• 4.1.1 S變換理論60-61
• 4.1.2 S變換計(jì)算過程61-62
• 4.2 奇異值分解的定義和性質(zhì)62-63
• 4.2.1 奇異值分解的定義62
• 4.2.2 奇異值分解的性質(zhì)62-63
• 4.3 支持向量機(jī)理論63-64
• 4.4 滾動(dòng)軸承故障程度和工況不敏感智能診斷模型64-65
• 4.5 故障程度不敏感智能診斷方法65-69
• 4.5.1 實(shí)驗(yàn)數(shù)據(jù)65-67
• 4.5.2 故障程度不敏感智能診斷模型建立67
• 4.5.3 故障程度不敏感智能診斷結(jié)果67-68
• 4.5.4 與小波包std方法診斷結(jié)果對比68-69
• 4.6 運(yùn)行工況不敏感智能診斷方法69-73
• 4.6.1 實(shí)驗(yàn)數(shù)據(jù)69-70
• 4.6.2 運(yùn)行工況不敏感智能診斷模型建立70-71
• 4.6.3 運(yùn)行工況不敏感智能診斷結(jié)果71-72
• 4.6.4 與Wigner-Ville分布和SVD方法診斷結(jié)果對比72-73
• 4.7 故障程度和運(yùn)行工況不敏感智能診斷方法73-77
• 4.7.1 實(shí)驗(yàn)數(shù)據(jù)73-74
• 4.7.2 故障程度和運(yùn)行工況不敏感智能診斷模型建立74-75
• 4.7.3 故障程度和運(yùn)行工況不敏感智能診斷結(jié)果75-77
• 4.7.4 與小波包能量方法診斷結(jié)果對比77
• 4.8 本章小節(jié)77-79
• 第五章 結(jié)論與展望79-82
• 5.1 論文結(jié)論79-80
• 5.2 主要?jiǎng)?chuàng)新點(diǎn)80
• 5.3 研究展望80-82
• 參考文獻(xiàn)82-88
• 個(gè)人簡歷 在讀期間發(fā)表的學(xué)術(shù)論文88-89
• 致謝89

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張益純,劉振娟;滾動(dòng)軸承故障分析探討[J];內(nèi)燃機(jī)配件;2000年03期

2 秦愷,陳進(jìn),姜鳴,陳春梅;一種滾動(dòng)軸承故障特征提取的新方法——譜相關(guān)密度[J];振動(dòng)與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動(dòng)軸承故障識(shí)別中的應(yīng)用[J];試驗(yàn)技術(shù)與試驗(yàn)機(jī);2002年Z2期

4 任昭蓉;滾動(dòng)軸承故障的小波診斷法[J];機(jī)械制造與自動(dòng)化;2004年06期

5 陸爽,田野;滾動(dòng)軸承故障特征識(shí)別的時(shí)頻分析研究[J];機(jī)床與液壓;2005年06期

6 江涌;基于余弦調(diào)頻小波變換的滾動(dòng)軸承故障研究[J];機(jī)械設(shè)計(jì)與制造;2005年06期

7 程光友;;時(shí)域指標(biāo)在滾動(dòng)軸承故障診斷中的應(yīng)用[J];中國設(shè)備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動(dòng)軸承故障試驗(yàn)臺(tái)的理論建模分析[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2005年04期

9 李崇晟;滾動(dòng)軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴(yán)新平;趙新澤;袁成清;高虹亮;;滾動(dòng)軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 張益純;;常見滾動(dòng)軸承故障診斷的技術(shù)探討[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會(huì)議論文集[C];2000年

2 劉玉林;;貨車滾動(dòng)軸承故障不分解診斷技術(shù)參數(shù)選擇與優(yōu)化探討[A];擴(kuò)大鐵路對外開放、確保重點(diǎn)物資運(yùn)輸——中國科協(xié)2005年學(xué)術(shù)年會(huì)鐵道分會(huì)場暨中國鐵道學(xué)會(huì)學(xué)術(shù)年會(huì)和粵海通道運(yùn)營管理學(xué)術(shù)研討會(huì)論文集[C];2005年

3 楊積忠;左立建;;滾動(dòng)軸承故障診斷實(shí)例[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會(huì)議論文集[C];2005年

4 何斌;戚佳杰;;小波分析在滾動(dòng)軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文摘要集[C];2007年

5 李放寧;;峰值能量在滾動(dòng)軸承故障診斷中的應(yīng)用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會(huì)議論文集[C];2000年

6 何斌;戚佳杰;;小波分析在滾動(dòng)軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2007年

7 張九軍;;常見滾動(dòng)軸承故障的簡易診斷[A];2008年全國煉鐵生產(chǎn)技術(shù)會(huì)議暨煉鐵年會(huì)文集（上冊）[C];2008年

8 李興林;;滾動(dòng)軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會(huì)議論文集[C];2009年

9 唐海峰;陳進(jìn);董廣明;;信號(hào)稀疏分解方法在滾動(dòng)軸承故障診斷中的應(yīng)用[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

10 高耀智;;高階統(tǒng)計(jì)量與小波分析相結(jié)合在滾動(dòng)軸承故障診斷中的應(yīng)用[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會(huì)議論文集[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 郝騰飛;航空發(fā)動(dòng)機(jī)滾動(dòng)軸承故障的核方法智能識(shí)別技術(shù)研究[D];南京航空航天大學(xué);2014年

2 于江林;滾動(dòng)軸承故障的非接觸聲學(xué)檢測信號(hào)特性及重構(gòu)技術(shù)研究[D];大慶石油學(xué)院;2009年

3 楊柳松;基于小波分析與神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法的研究[D];東北林業(yè)大學(xué);2013年

4 從飛云;基于滑移向量序列奇異值分解的滾動(dòng)軸承故障診斷研究[D];上海交通大學(xué);2012年

5 趙協(xié)廣;基于小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法研究[D];山東科技大學(xué);2009年

6 侯者非;強(qiáng)噪聲背景下滾動(dòng)軸承故障診斷的關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2010年

7 郭艷平;面向風(fēng)力發(fā)電機(jī)組齒輪箱滾動(dòng)軸承故障診斷的理論與方法研究[D];浙江大學(xué);2012年

8 孟濤;齒輪與滾動(dòng)軸承故障的振動(dòng)分析與診斷[D];西北工業(yè)大學(xué);2003年

9 Ao Hung Linh（池雄嶺）;基于化學(xué)反應(yīng)優(yōu)化算法和支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究[D];湖南大學(xué);2014年

10 崔寶珍;自適應(yīng)形態(tài)濾波與局域波分解理論及滾動(dòng)軸承故障診斷[D];中北大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李男;基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法[D];燕山大學(xué);2015年

2 李玉奎;基于非平穩(wěn)信號(hào)分析的滾動(dòng)軸承故障診斷研究[D];燕山大學(xué);2015年

3 卜勇霞;基于時(shí)頻分析方法的滾動(dòng)軸承故障診斷研究[D];昆明理工大學(xué);2015年

4 馬寶;基于KICA和LSSVM的滾動(dòng)軸承故障監(jiān)測及診斷方法[D];昆明理工大學(xué);2015年

5 馮春生;基于多源不確定信息融合的數(shù)控機(jī)床滾動(dòng)軸承故障診斷方法與實(shí)驗(yàn)研究[D];青島理工大學(xué);2015年

6 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動(dòng)軸承故障診斷研究[D];哈爾濱工業(yè)大學(xué);2015年

7 宋耀文;基于振動(dòng)信號(hào)分析的滾動(dòng)軸承故障特征提取與診斷研究[D];中國礦業(yè)大學(xué);2015年

8 韓一村;基于多傳感器的滾動(dòng)軸承故障檢測研究[D];河南科技大學(xué);2015年

9 王秀娟;基于LMD的譜峭度算法在滾動(dòng)軸承故障診斷中的應(yīng)用研究[D];電子科技大學(xué);2014年

10 段永強(qiáng);局部均值分解法在滾動(dòng)軸承故障自動(dòng)診斷中的應(yīng)用研究[D];電子科技大學(xué);2015年

，

本文編號(hào)：523771