本文關(guān)鍵詞：滾動(dòng)軸承退化狀態(tài)識(shí)別技術(shù)研究

  更多相關(guān)文章： 滾動(dòng)軸承 故障特征提取 集合經(jīng)驗(yàn)?zāi)B(tài)分解 支持向量機(jī) 退化

【摘要】：作為旋轉(zhuǎn)機(jī)械中使用最普遍的關(guān)鍵組件—滾動(dòng)軸承,其狀況對(duì)它所支撐的轉(zhuǎn)子甚至整臺(tái)設(shè)備的正常運(yùn)轉(zhuǎn)具有重要的影響作用。滾動(dòng)軸承故障的發(fā)展具有一個(gè)由輕微到嚴(yán)重的變化過程,準(zhǔn)確及時(shí)地識(shí)別出運(yùn)行過程中滾動(dòng)軸承的退化狀態(tài),可以合理指導(dǎo)制定性能檢查和替換維護(hù)計(jì)劃,對(duì)提高整個(gè)機(jī)械設(shè)備運(yùn)行的可靠性具有重要的意義。本論文中采用改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和支持向量機(jī)(SVM)相結(jié)合的方法進(jìn)行滾動(dòng)軸承的退化狀態(tài)識(shí)別。EEMD法能將信號(hào)自適應(yīng)地分解到不同的尺度上,特別適合對(duì)于非穩(wěn)定、非線性的信號(hào)進(jìn)行處理。本文采用的改進(jìn)EEMD法根據(jù)分解過程中信號(hào)和加入的白噪聲的特點(diǎn)來選擇EEMD的參數(shù),這避免了傳統(tǒng)EEMD法的根據(jù)經(jīng)驗(yàn)人為選取參數(shù),分解結(jié)果不夠準(zhǔn)確問題。之后對(duì)分解后所得到的的固有模態(tài)函數(shù)(IMF)分量進(jìn)行閾值處理后再重構(gòu),以降低噪聲的干擾。對(duì)重構(gòu)后的信號(hào)再進(jìn)行包絡(luò)譜分析,提取其故障特征,以確定滾動(dòng)軸承發(fā)生故障的具體位置。準(zhǔn)確地評(píng)估滾動(dòng)軸承退化狀態(tài)的關(guān)鍵問題是如何在有限的狀態(tài)數(shù)據(jù)下建立合適的模型。而SVM正是一種解決小樣本分類與預(yù)測(cè)的機(jī)器學(xué)習(xí)算法,該算法是建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論基礎(chǔ)之上的,依據(jù)有限的數(shù)據(jù)樣本在學(xué)習(xí)能力和模型的復(fù)雜性之間尋求最佳折衷,從而可以獲得較好的分類識(shí)別準(zhǔn)確率。本文在EEMD分解提取故障特征的基礎(chǔ)上,根據(jù)不同故障類型通過GA和SVM來提取滾動(dòng)軸承的退化狀態(tài)識(shí)別特征,利用滾動(dòng)軸承退化狀態(tài)概率分布以及歷史剩余壽命來確定其最優(yōu)退化狀態(tài)數(shù)目建立退化狀態(tài)識(shí)別模型。最后用不同退化狀態(tài)的測(cè)試數(shù)據(jù)作為特征和參數(shù)經(jīng)過GA優(yōu)化過的SVM的輸入向量進(jìn)行滾動(dòng)軸承退化狀態(tài)的識(shí)別分類。經(jīng)實(shí)際軸承故障數(shù)據(jù)驗(yàn)證表明,該方法可以實(shí)現(xiàn)滾動(dòng)軸承退化狀態(tài)的準(zhǔn)確識(shí)別。
【關(guān)鍵詞】：滾動(dòng)軸承 故障特征提取 集合經(jīng)驗(yàn)?zāi)B(tài)分解 支持向量機(jī) 退化
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TH133.33
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-20
• 1.1 研究背景11-12
• 1.2 研究目的和意義12-13
• 1.3 故障預(yù)測(cè)和健康管理(PHM)技術(shù)的發(fā)展過程和研究現(xiàn)狀13-19
• 1.3.1 PHM技術(shù)的演化過程13-15
• 1.3.2 PHM的研究現(xiàn)狀15-17
• 1.3.3 故障預(yù)測(cè)中故障特征提取技術(shù)的研究現(xiàn)狀17-18
• 1.3.4 故障預(yù)測(cè)中退化狀態(tài)識(shí)別技術(shù)的研究現(xiàn)狀18-19
• 1.4 論文主要研究內(nèi)容19
• 1.5 小結(jié)19-20
• 第2章 滾動(dòng)軸承故障機(jī)理及退化狀態(tài)識(shí)別基本理論20-33
• 2.1 滾動(dòng)軸承的振動(dòng)機(jī)理及失效形式20-24
• 2.1.1 滾動(dòng)軸承的振動(dòng)機(jī)理20-23
• 2.1.2 滾動(dòng)軸承的失效形式23-24
• 2.2 滾動(dòng)軸承的故障診斷的方法24-26
• 2.3 滾動(dòng)軸承的故障特征提取技術(shù)26-28
• 2.3.1 時(shí)域分析方法26
• 2.3.2 頻域分析方法26-27
• 2.3.3 時(shí)頻分析方法27-28
• 2.4 滾動(dòng)軸承的退化狀態(tài)識(shí)別技術(shù)28-32
• 2.4.1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)29-31
• 2.4.2 支持向量機(jī)技術(shù)31-32
• 2.5 小結(jié)32-33
• 第3章 基于HHT的滾動(dòng)軸承故障特征提取33-42
• 3.1 EEMD基本理論33-38
• 3.1.1 固有模態(tài)函數(shù)和經(jīng)驗(yàn)?zāi)Ｊ椒纸?/span>33-35
• 3.1.2 Hilbert時(shí)頻譜和邊際譜35-36
• 3.1.3 EEMD法的提出過程36-37
• 3.1.4 EEMD法的原理及其算法實(shí)現(xiàn)37-38
• 3.2 改進(jìn)的EEMD法38-40
• 3.2.1 EEMD的參數(shù)優(yōu)化38-39
• 3.2.2 固有模態(tài)函數(shù)重構(gòu)及包絡(luò)譜分析39-40
• 3.3 小結(jié)40-42
• 第4章 基于SVM的滾動(dòng)軸承退化狀態(tài)識(shí)別42-55
• 4.1 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)及SVM模型理論42-48
• 4.1.1 統(tǒng)計(jì)學(xué)習(xí)基本理論42-44
• 4.1.2 支持向量機(jī)模型理論44-47
• 4.1.3 支持向量機(jī)的核函數(shù)47-48
• 4.2 基于GA的SVM參數(shù)優(yōu)化48-52
• 4.2.1 遺傳算法(GA)基本理論48-49
• 4.2.2 遺傳算法的特點(diǎn)和應(yīng)用49-50
• 4.2.3 用GA對(duì)SVM進(jìn)行特征選擇和參數(shù)優(yōu)化50-52
• 4.3 退化狀態(tài)離散化52-54
• 4.4 小結(jié)54-55
• 第5章 實(shí)驗(yàn)驗(yàn)證55-68
• 5.1 軸承加速度實(shí)驗(yàn)分析55-62
• 5.1.1 EEMD在滾動(dòng)軸承故障特征提取中的應(yīng)用55-58
• 5.1.2 SVM在滾動(dòng)軸承退化狀態(tài)識(shí)別中的應(yīng)用58-62
• 5.2 軸承破壞性實(shí)驗(yàn)分析62-66
• 5.2.1 EEMD在滾動(dòng)軸承故障特征提取中的應(yīng)用62-66
• 5.3 小結(jié)66-68
• 結(jié)論68-69
• 參考文獻(xiàn)69-74
• 攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果74-75
• 致謝75-76

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 曾慶虎;邱靜;劉冠軍;譚曉棟;;基于小波特征尺度熵-隱半馬爾可夫模型的設(shè)備退化狀態(tài)識(shí)別方法及應(yīng)用[J];兵工學(xué)報(bào);2008年02期

2 曾慶虎;邱靜;劉冠軍;苗強(qiáng);;基于KPCA-HSMM設(shè)備退化狀態(tài)識(shí)別方法的研究[J];兵工學(xué)報(bào);2009年06期

3 ;[J];;年期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 曾慶虎;機(jī)械傳動(dòng)系統(tǒng)關(guān)鍵零部件故障預(yù)測(cè)技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王明華;滾動(dòng)軸承退化狀態(tài)識(shí)別技術(shù)研究[D];沈陽理工大學(xué);2015年

2 原媛;基于HMM的退化狀態(tài)識(shí)別和故障預(yù)測(cè)研究[D];太原科技大學(xué);2014年

，

本文編號(hào)：553973