本文關(guān)鍵詞：變量預(yù)測模型模式識別方法及其在滾動軸承故障診斷中的應(yīng)用

  更多相關(guān)文章： 滾動軸承 故障診斷 變量預(yù)測模型模式識別方法 加權(quán)最小二乘回歸 偏最小二乘回歸 線性判別分析

【摘要】：滾動軸承是旋轉(zhuǎn)機械中常用的零部件之一,但由于現(xiàn)場條件惡劣等因素,滾動軸承也是容易損壞的部件之一,旋轉(zhuǎn)機械的很多故障都與滾動軸承有關(guān),并導(dǎo)致旋轉(zhuǎn)機械難以正常運行。滾動軸承的故障可能會引起整個生產(chǎn)線的隱患,造成經(jīng)濟損失甚至是人員傷亡,因此,對滾動軸承的運行狀態(tài)進行必要的監(jiān)測和診斷具有非常重要的意義。在本質(zhì)上,滾動軸承故障診斷其實是一個模式識別的過程。Raghuraj與Lakshminarayanan提出一種新的模式識別方法——變量預(yù)測模型模式識別方法(Variable predictive model based class discriminate,簡稱VPMCD),該方法通過利用樣本特征參數(shù)間存在的內(nèi)在相互關(guān)系建立起變量預(yù)測模型,然后通過得到的預(yù)測模型進行待測樣本的模式識別及分類。對滾動軸承故障診斷而言,特征提取得到的特征值間一般存在一定的變量關(guān)系,并且,在不同的類別或系統(tǒng)之間這種內(nèi)在關(guān)系也具有不同特點。因此,可以將VPMCD方法應(yīng)用于滾動軸承故障之中�；诖�,論文引入變量預(yù)測模型模式識別方法,對其理論進行研究改進,并結(jié)合時頻分析方法提出了基于變量預(yù)測模型模式識別的滾動軸承故障診斷方法。論文的主要研究內(nèi)容如下:1、探討了滾動軸承故障機理及其常見故障振動特征,并且從信號處理和模式識別兩個方面簡要闡述了滾動軸承故障診斷方法。2、對VPMCD方法的基本理論進行了詳盡闡述。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)及試驗數(shù)據(jù)對VPMCD方法、神經(jīng)網(wǎng)絡(luò)、支持向量機等模式識別方法進行對比分析,結(jié)果證明VPMCD方法可以有效用于模式識別。3、VPMCD分類方法是建立在回歸模型為同方差性基礎(chǔ)上的,當(dāng)模型存在異方差性時,會導(dǎo)致預(yù)測精度降低。針對這一缺陷,用加權(quán)最小二乘(WLS)代替原方法中的最小二乘法(OLS)進行參數(shù)估計,可以獲得更加準(zhǔn)確的模型特征參數(shù),提高預(yù)測的精度。將局部特征尺度分解(Local characteristic-scale decomposition,簡稱LCD)方法應(yīng)用于特征提取,并對基于LCD的混合故障盲源分離方法進行研究。對不同運行狀態(tài)下滾動軸承振動信號分析結(jié)果表明了基于WVPMCD和LCD的滾動軸承故障診斷方法的有效性。4、針對預(yù)測變量存在多重相關(guān)性時,最小二乘估計會破壞模型穩(wěn)健性這一缺陷,提出基于偏最小二乘(PLS)的VPMCD方法,來消除多重相關(guān)性的影響,提高模型穩(wěn)定性。最適應(yīng)最稀疏時頻分析(Adaptive and sparest time-frequency analysis,簡稱ASTFA)是一種將信號分解轉(zhuǎn)化為優(yōu)化問題的新的自適應(yīng)信號處理方法,非常適合處理滾動軸承故障振動信號。論文將二者應(yīng)用于滾動軸承故障診斷,分析結(jié)果表明了該方法的有效性。5、針對VPMCD在處理高維故障數(shù)據(jù)時產(chǎn)生的“維數(shù)災(zāi)難”現(xiàn)象,將線性判別分析(Linear discrimination analysis,簡稱LDA)應(yīng)用于VPMCD進行滾動軸承劣化狀態(tài)的辨識,并與主成分分析(Principle components analysis,簡稱PCA)進行了對比。線性判別分析能夠有效對提取的高維特征向量進行特征壓縮,得到低維特征向量。低維向量保留了故障信息,符合VPMCD的建模思想,有利于實現(xiàn)在線診斷。實驗分析結(jié)果表明,將LDA應(yīng)用于VPMCD可以實現(xiàn)滾動軸承劣化狀態(tài)的辨識。
【關(guān)鍵詞】：滾動軸承 故障診斷 變量預(yù)測模型模式識別方法 加權(quán)最小二乘回歸 偏最小二乘回歸 線性判別分析
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 摘要5-7
• Abstract7-14
• 第1章 緒論14-19
• 1.1 課題研究的背景和意義14-15
• 1.2 滾動軸承故障診斷技術(shù)的現(xiàn)狀與發(fā)展趨勢15-17
• 1.3 課題提出與章節(jié)安排17-19
• 1.3.1 課題提出17
• 1.3.2 論文的章節(jié)安排17-19
• 第2章 滾動軸承故障機理及故障診斷技術(shù)19-29
• 2.1 滾動軸承結(jié)構(gòu)19-20
• 2.2 滾動軸承振動機理及其振動特征20-23
• 2.2.1 滾動軸承振動機理20
• 2.2.2 滾動軸承振動特征分析20-23
• 2.3 滾動軸承故障診斷方法23-28
• 2.3.1 滾動軸承故障診斷流程23
• 2.3.2 滾動軸承信號處理方法23-26
• 2.3.3 滾動軸承故障模式識別方法26-28
• 2.4 本章小結(jié)28-29
• 第3章 變量預(yù)測模型模式識別方法29-37
• 3.1 變量預(yù)測模型29-30
• 3.2 VPMCD方法原理30-31
• 3.3 VPMCD在實際中的應(yīng)用31-36
• 3.3.1 VPMCD在UCI標(biāo)準(zhǔn)數(shù)據(jù)中的應(yīng)用31
• 3.3.2 VPMCD在滾動軸承故障診斷中的應(yīng)用31-36
• 3.4 本章小結(jié)36-37
• 第4章 基于WVPMCD和LCD的滾動軸承故障診斷方法37-52
• 4.1 局部特征尺度分解38-41
• 4.1.1 局部特征尺度分解（LCD）算法38-39
• 4.1.2 信號仿真分析39-41
• 4.2 基于LCD的混合故障盲源分離方法41-46
• 4.2.1 盲源分離41
• 4.2.2 基于LCD的盲源分離方法41-43
• 4.2.3 仿真分析43-44
• 4.2.4 實例分析44-46
• 4.3 基于加權(quán)最小二乘估計的WVPMCD方法46-47
• 4.3.1 WVPMCD方法46
• 4.3.2 仿真分析46-47
• 4.4 WVPMCD方法在滾動軸承故障診斷中的應(yīng)用47-51
• 4.4.1 基于WVPMCD的滾動軸承故障診斷方法47-48
• 4.4.2 實例應(yīng)用48-51
• 4.5 本章小結(jié)51-52
• 第5章 基于PVPMCD和ASTFA的滾動軸承故障診斷方法52-61
• 5.1 自適應(yīng)最稀疏時頻分析(ASTFA)方法53-56
• 5.1.1 ASTFA方法53
• 5.1.2 仿真對比分析53-56
• 5.2 基于偏最小二乘的PVPMCD方法56-57
• 5.2.1 PVPMCD方法56
• 5.2.2 仿真分析56-57
• 5.3 基于PVPMCD和ASTFA的滾動軸承故障診斷方法57-60
• 5.3.1 基于ASTFA的Hilbert譜奇異值特征提取方法57-58
• 5.3.2 實例應(yīng)用58-60
• 5.4 本章小結(jié)60-61
• 第6章 基于LDA-VPMCD的滾動軸承劣化狀態(tài)辨識研究61-69
• 6.1 基于LDA-VPMCD的滾動軸承劣化狀態(tài)辨識方法62-65
• 6.1.1 線性判別分析算法62
• 6.1.2 多尺度熵62-63
• 6.1.3 基于LDA-VPMCD的滾動軸承劣化狀態(tài)辨識方法63-65
• 6.2 實例應(yīng)用65-68
• 6.3 本章小結(jié)68-69
• 結(jié)論與展望69-71
• 參考文獻71-75
• 致謝75-76
• 附錄A 攻讀學(xué)位期間發(fā)表和錄用的論文目錄76-77
• 附錄B 攻讀學(xué)位期間參與的科研項目77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 楊宇;曾鳴;程軍圣;;局部特征尺度分解方法及其分量判據(jù)研究[J];中國機械工程;2013年02期

2 韓中合;韓悅;朱霄s，

本文編號：985741