本文關(guān)鍵詞：基于振動信號分析的滾動軸承故障診斷方法研究

  更多相關(guān)文章： 滾動軸承 故障診斷 樣本熵 小波包分解 支持向量機(jī)

【摘要】：滾動軸承在旋轉(zhuǎn)機(jī)械中應(yīng)用廣泛,是最常見的零部件之一,其工作狀態(tài)能夠直接影響整個設(shè)備的安全性。為了保證設(shè)備正常運行,對滾動軸承的狀態(tài)監(jiān)測與故障診斷勢在必行。由于傳統(tǒng)的故障診斷方法難以全面表征復(fù)雜故障類型,而滾動軸承的故障模式與其故障特征向量之間存在復(fù)雜的非線性關(guān)系。因此本文從振動信號處理著手,以支持向量機(jī)(Support Vector Machine)為模式識別方法,對可作為故障特征的各個統(tǒng)計參數(shù)指標(biāo)進(jìn)行了分析和比較,從中選取性能穩(wěn)定良好的作為軸承故障特征;另外,結(jié)合小波包分解和樣本熵作為另一種軸承故障特征提取方法。由此,本文提出了兩種可行的滾動軸承故障診斷方法。方法一:分別在時域和頻域中提取振動信號中性能優(yōu)良的統(tǒng)計參數(shù)指標(biāo),以多特征組合的方式構(gòu)建了8維特征向量,最后輸入SVM進(jìn)行分類和預(yù)測。方法二:結(jié)合小波包分解和樣本熵。首先分別對振動信號進(jìn)行1,2,3層小波包分解,分別得到2,4,8個頻帶,再加上原始振動信號,共15個頻帶;然后計算各頻帶的樣本熵,用樣本熵在各個頻帶的走勢來表征故障類型;最后把構(gòu)建的15維特征向量輸入SVM完成故障診斷。最后,為了驗證本文所用方法的可行性和優(yōu)越性,使用了美國凱斯西儲大學(xué)的軸承數(shù)據(jù)對兩種方法分別進(jìn)行了測試,并與已有方法進(jìn)行了比較,結(jié)果表明本文所用方法性能穩(wěn)定且在預(yù)測正確率上有明顯優(yōu)勢。
【關(guān)鍵詞】：滾動軸承 故障診斷 樣本熵 小波包分解 支持向量機(jī)
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH133.33
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-15
• 1.1 選題背景及其意義9-10
• 1.2 滾動軸承故障診斷的研究現(xiàn)狀與趨勢10-12
• 1.3 智能診斷的應(yīng)用12-13
• 1.4 課題研究內(nèi)容及安排13-15
• 第2章 滾動軸承故障機(jī)理分析15-19
• 2.1 滾動軸承基本結(jié)構(gòu)15-16
• 2.2 滾動軸承失效的表現(xiàn)形式16
• 2.3 滾動軸承故障機(jī)理以及故障特征頻率計算16-18
• 2.3.1 振動機(jī)理16-18
• 2.3.2 故障特征頻率計算18
• 2.4 本章小結(jié)18-19
• 第3章 滾動軸承振動信號特征提取19-36
• 3.1 數(shù)據(jù)來源19-20
• 3.2 基于統(tǒng)計指標(biāo)的振動信號特征提取方法20-31
• 3.2.1 時、頻域統(tǒng)計指標(biāo)介紹20-22
• 3.2.2 滾動軸承時域、頻域統(tǒng)計指標(biāo)分析22-31
• 3.3 基于小波包樣本熵的振動信號特征提取方法31-35
• 3.3.1 樣本熵算法簡介31-32
• 3.3.2 小波包分解基本原理32-33
• 3.3.3 軸承振動信號小波包樣本熵分析33-35
• 3.4 本章小結(jié)35-36
• 第4章 基于支持向量機(jī)的模式識別方法36-46
• 4.1 支持向量機(jī)基本原理原理介紹36-39
• 4.1.1 線性情況下構(gòu)建最優(yōu)超平面36-37
• 4.1.2 非線性情況下構(gòu)建最優(yōu)超平面37-38
• 4.1.3 核函數(shù)的參數(shù)尋優(yōu)38-39
• 4.2 基于支持向量機(jī)的滾動軸承故障診斷實例39-44
• 4.2.1 基于統(tǒng)計指標(biāo)和SVM的診斷方法39-41
• 4.2.2 基于小波包樣本熵的診斷方法41-44
• 4.3 穩(wěn)定性驗證和優(yōu)越性驗證44-45
• 4.4 本章小結(jié)45-46
• 第5章 總結(jié)和展望46-47
• 5.1 總結(jié)46
• 5.2 展望46-47
• 參考文獻(xiàn)47-50
• 致謝50

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 郝騰飛;陳果;;旋轉(zhuǎn)機(jī)械故障的拉普拉斯支持向量機(jī)診斷方法[J];中國機(jī)械工程;2016年01期

2 王亮;王旭紅;;基于小波神經(jīng)網(wǎng)絡(luò)的感應(yīng)電機(jī)直接轉(zhuǎn)矩控制[J];電力科學(xué)與工程;2015年12期

3 石明江;羅仁澤;付元華;;小波和能量特征提取的旋轉(zhuǎn)機(jī)械故障診斷方法[J];電子測量與儀器學(xué)報;2015年08期

4 梁西昌;萬熠;朱振杰;寇兆軍;張東;;頻譜分析法在振動時效系統(tǒng)中的實驗研究[J];實驗技術(shù)與管理;2015年02期

5 程軍圣;史美麗;楊宇;;基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J];振動與沖擊;2010年08期

6 韓永杰;郝偉;董辛e，

本文編號：847862