發(fā)布時間：2017-10-03 00:06

  本文關(guān)鍵詞：基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法

  更多相關(guān)文章： 滾動軸承 故障診斷 混合域特征 KICA LSSVM

【摘要】：滾動軸承作為一種重要的旋轉(zhuǎn)機械設(shè)備,受其工作環(huán)境、工作強度的影響,其使用壽命和故障發(fā)生的時間具有不確定性,因此對其運行狀態(tài)進行監(jiān)測并且及時地開展故障診斷意義重大。本文以滾動軸承為研究對象,重點研究了局部均值分解方法(LMD)在軸承振動信號特征提取中的應(yīng)用、混合域特征集對于全面反應(yīng)故障特征信息的優(yōu)勢、核獨立元分析(KICA)對軸承運行狀態(tài)監(jiān)測、特征提取和最小二乘支持向量機(LSSVM)在故障分類中的應(yīng)用。首先,針對傳統(tǒng)的故障診斷方法的不足,本文利用了特征參數(shù)法分別求出信號的時域和頻域特征、并與信號經(jīng)LMD分解后求得的時頻域特征相結(jié)合構(gòu)建混合域特征集,用以全面地反應(yīng)故障特征的信息,為進一步進行狀態(tài)監(jiān)測和故障分類做準(zhǔn)備。其次,通過提取信號的時域特征參數(shù)構(gòu)建特征集,并將其作為KICA的輸入作進一步分析,結(jié)果表明KICA能夠有效地對滾動軸承的運行狀態(tài)進行監(jiān)測,及時地檢測出故障。同時通過與獨立元分析方法(ICA)的結(jié)果作對比,表明KICA比ICA具備更好的監(jiān)控性能。最后,針對構(gòu)建出的混合域特征集中存在的信息冗余以及維數(shù)過高等問題,本文采用了KICA方法對混合域特征集進行降維降噪,并將降維之后的特征集輸入到LSSVM中進行分類,結(jié)果表明通過構(gòu)建混合域特征集能夠提升軸承故障分類的準(zhǔn)確率,并且通過與支持向量機(SVM)方法的分類結(jié)果作對比,驗證了LSSVM的優(yōu)越性。仿真結(jié)果表明,本文所提：構(gòu)建混合域特征集-KICA-LSSVM的滾動軸承故障監(jiān)測及診斷方法是有效的,對于進一步提升機械設(shè)備故障監(jiān)測和診斷的準(zhǔn)確性具有重要意義。
【關(guān)鍵詞】：滾動軸承 故障診斷 混合域特征 KICA LSSVM
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-19
• 1.1 課題的研究背景及意義11-12
• 1.2 課題的國內(nèi)外研究現(xiàn)狀12-17
• 1.2.1 過程監(jiān)控研究現(xiàn)狀12-14
• 1.2.2 特征提取研究現(xiàn)狀14-16
• 1.2.3 基于振動信號的智能故障診斷技術(shù)研究現(xiàn)狀16-17
• 1.3 本文的主要研究工作17-19
• 1.3.1 論文研究思路17
• 1.3.2 論文的章節(jié)安排17-19
• 第二章 振動信號的自適應(yīng)時頻分析方法19-31
• 2.1 EMD分解19-21
• 2.1.1 固有模態(tài)函數(shù)19-20
• 2.1.2 EMD分解步驟20-21
• 2.2 LMD算法介紹21-25
• 2.3 試驗信號對比分析25-26
• 2.4 LMD算法存在的問題及改進辦法26-27
• 2.5 試驗信號分析27-30
• 2.6 本章小結(jié)30-31
• 第三章 多域混合特征集的構(gòu)建31-41
• 3.1 滾動軸承故障機理概述31-36
• 3.1.1 滾動軸承的基本組成結(jié)構(gòu)31-32
• 3.1.2 滾動軸承的故障形式32-33
• 3.1.3 滾動軸承振動的原因及頻率33-35
• 3.1.4 仿真信號介紹35-36
• 3.2 時域特征參數(shù)提取36-38
• 3.3 頻域特征參數(shù)38-39
• 3.4 基于LMD的信號特征提取研究39
• 3.5 多域混合特征集的構(gòu)建39-40
• 3.6 本章小結(jié)40-41
• 第四章 基于KICA的滾動軸承故障監(jiān)控41-53
• 4.1 獨立成分分析算法介紹41-43
• 4.1.1 ICA的基本定義41-42
• 4.1.2 數(shù)據(jù)預(yù)處理42-43
• 4.1.3 快速ICA算法43
• 4.2 核獨立成分分析算法介紹43-48
• 4.2.1 數(shù)據(jù)映射43-44
• 4.2.2 數(shù)據(jù)預(yù)處理44-45
• 4.2.3 基于KICA的過程監(jiān)控模型45-47
• 4.2.4 基于KICA的過程監(jiān)控算法步驟47-48
• 4.3 仿真結(jié)果與分析48-52
• 4.3.1 仿真對象48-50
• 4.3.2 仿真驗證50-52
• 4.4 本章小結(jié)52-53
• 第五章 LSSVM在滾動軸承故障識別中的應(yīng)用53-67
• 5.1 支持向量機(SVM)理論53-58
• 5.1.1 線性可分支持向量機原理53-55
• 5.1.2 線性不可分支持向量機原理55-56
• 5.1.3 核函數(shù)56-57
• 5.1.4 SVM的多分類問題57-58
• 5.2 最小二乘支持向量機(LSSVM)理論58-61
• 5.2.1 兩類LSSVMS分類器59-60
• 5.2.2 多類LSSVM分類器60-61
• 5.3 基于KICA的特征提取61-62
• 5.4 基于LSSVM的滾動軸承故障識別步驟62-63
• 5.5 仿真結(jié)果及對比分析63-66
• 5.6 本章小結(jié)66-67
• 第六章 總結(jié)與展望67-69
• 6.1 總結(jié)67-68
• 6.2 后續(xù)展望68-69
• 致謝69-71
• 參考文獻71-75
• 附錄A 攻讀碩士學(xué)位期間的研究成果75

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 常鵬;高學(xué)金;王普;;基于多向核熵偏最小二乘的間歇過程監(jiān)測及質(zhì)量預(yù)測[J];北京工業(yè)大學(xué)學(xué)報;2014年06期

2 張宵;馬潔;;數(shù)據(jù)驅(qū)動PCA、ICA和KICA故障檢測仿真比較[J];北京信息科技大學(xué)學(xué)報(自然科學(xué)版);2014年05期

3 許仙珍;謝磊;王樹青;;基于PCA混合模型的多工況過程監(jiān)控[J];化工學(xué)報;2011年03期

4 趙忠蓋;劉飛;;一種基于核獨立元分析的非線性過程監(jiān)控方法[J];系統(tǒng)仿真學(xué)報;2008年20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 趙沖沖;廖明夫;于瀟;;基于支持向量機的旋轉(zhuǎn)機械故障診斷。[J];振動、測試與診斷;2006年01期

7 程軍圣;楊宇;于德介;;局部均值分解方法及其在齒輪故障診斷中的應(yīng)用[J];振動工程學(xué)報;2009年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 金陽;加高斯窗的STFT對內(nèi)燃機振聲信號的適用性相關(guān)研究[D];浙江大學(xué);2011年

2 易輝;基于支持向量機的故障診斷及應(yīng)用研究[D];南京航空航天大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 馬彩君;基于數(shù)據(jù)分析的傳感器故障診斷方法研究[D];中國石油大學(xué);2007年

2 劉雨;基于支持向量數(shù)據(jù)描述與信息融合的設(shè)備性能退化評估研究[D];上海交通大學(xué);2009年

，

本文編號：962010