軸承作為機械設備中重要的零部件,也是機械設備中故障多發(fā)零部件。因此對軸承故障狀態(tài)的早期診斷具有較大的理論研究價值和實際應用意義。論文以軸承故障診斷為目的,主要對故障診斷中軸承故障信息特征提取和故障識別兩個部分進行深入分析和研究,主要工作如下:(1)首先分析了軸承的物理結(jié)構(gòu)、故障機理、頻率特性,以及常見的處理非穩(wěn)態(tài)信號的時頻分析方法。(2)其次針對軸承故障振動信號的非平穩(wěn)態(tài)特性,引入改進的自適應白噪聲的完備集合經(jīng)驗模態(tài)分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)進行電機滾動軸承故障信息的特征提取。在分解的每一個階段自適應加入白噪聲序列,通過計算唯一的余量信號來得到各個固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量,改進了集合經(jīng)驗模態(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)中模態(tài)混疊現(xiàn)象和分解后重構(gòu)信號的完備性。通過數(shù)模信號和實測信號的算法仿真,從算法分解的完備性、正交性等幾個指標與EMD和EEMD進行對比分析,驗證了CEEMDAN分解方法的優(yōu)越性。同時根據(jù)軸承信號的振動特性,利用CEEMDAN分解得到的各個IMF能量值,組成電機滾動軸承診斷的特征數(shù)據(jù)集。(3)最后根據(jù)統(tǒng)計學理論知識,對提取到的特征數(shù)據(jù)進行挖掘分析。結(jié)合支持向量機(Support Vector Machine,SVM)分類原理,采用灰狼優(yōu)化算法(Grey Wolf Optimization,GWO)對支持向量機的懲罰因子參數(shù)和核函數(shù)參數(shù)進行優(yōu)化。利用構(gòu)建好的支持向量機網(wǎng)絡對處理好的軸承故障特征數(shù)據(jù)進行訓練,對未知狀態(tài)信號特征進行分類預測。通過對電機滾動軸承故障實測數(shù)據(jù)進行仿真分析,基于CEEMDAN-SVM的預測組合模型在識別準確率上優(yōu)于EEMD-SVM,表明在同樣的識別網(wǎng)絡下,CEEMDAN算法特征提取方法優(yōu)于EEMD。基于CEEMDAN-GWO-SVM的預測組合模型在識別準確率和效率都優(yōu)于CEEMDAN-SVM,表明在同樣的特征提取條件下,GWO優(yōu)化SVM后網(wǎng)絡分類識別效果更佳。驗證了本文提出的基于CEEMDAN-GWO-SVM混合故障診斷模式具有更好可行性和高效性。
【學位單位】：南華大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TM0
【部分圖文】：

故障機理是通過大量文獻資料查閱和試統(tǒng)參數(shù)之間的關(guān)系，以此來作為故障診（2）電機滾動軸承狀態(tài)信息的特征提取特征提取是指如何從狀態(tài)信息中捕捉到對特征信息進行進一步分析和處理。為靠的特征成分，對采集的技術(shù)方法和設征提取方法有傳統(tǒng)信號處理方法、幾何（3）電機滾動軸承的故障狀態(tài)識別和決故障狀態(tài)識別是指根據(jù)所提取到的特征態(tài)模式，預測發(fā)展趨勢，并作出相應的診相應的診斷決策。電機滾動軸承故障診斷流程見圖 1.1。

先要對電機滾動軸承的物理結(jié)構(gòu)和故障模式進行分析。2.1 電機滾動軸承的種類和結(jié)構(gòu)在實際生產(chǎn)生活各個領域當中，軸承的種類不盡相同，常見的有球軸承、滾動軸承、止推軸承、向心軸承等，其中滾動軸承是當中應用最為廣泛的一種[37]。滾動軸承主要的部分有滾動體、內(nèi)圈、外圈和保持架，滾動體處在內(nèi)圈和外圈之間，主要起到潤滑滾動的作用，內(nèi)圈同轉(zhuǎn)子相互配合起到旋轉(zhuǎn)作用，外圈同軸承座相互配合起支撐作用。軸承主要是當作支持旋轉(zhuǎn)機械的軸，一定程度上減少軸同支撐部件間的損傷摩擦，假若電機缺少了軸承來作為支持，是很難正常工作運轉(zhuǎn)的，所以軸承是旋轉(zhuǎn)機械器件中較為重要的組成部分。圖 2.1 顯示的是常見的三種滾動軸承。 圖 2.2 給出了電機滾動軸承結(jié)構(gòu)示意圖。表 2.1 對軸承幾何參數(shù)進行了簡要說明。

圖 2.2 電機滾動軸承結(jié)構(gòu)示意圖表 2.1 軸承幾何參數(shù)說明物理量 物理名稱d 滾動體直徑：滾動體平均直徑D 軸承節(jié)徑：滾動體所在圓的直徑a接觸角：滾動體受力方向與內(nèi)、外滾動體垂線之間的夾角1r 內(nèi)圈滾道半徑2r 外圈滾道半徑z 滾動體個數(shù)2 電機滾動軸承的常見的故障形式在電機滾動軸承運行過程中，受到自身材料以及外部工作環(huán)境的影響，

【參考文獻】

相關(guān)期刊論文 前8條

1 楊良斌;;數(shù)據(jù)挖掘領域研究現(xiàn)狀與趨勢的可視化分析[J];圖書情報工作;2015年S2期

2 程軍圣;馬興偉;楊宇;;基于ICA相關(guān)系數(shù)和VPMCD的滾動軸承故障診斷[J];振動.測試與診斷;2015年04期

3 隋文濤;張丹;Wilson Wang;;基于EMD和MKD的滾動軸承故障診斷方法[J];振動與沖擊;2015年09期

4 楊宇;潘海洋;李杰;程軍圣;;基于Kriging函數(shù)的KVPMCD在滾動軸承故障診斷中的應用[J];中國機械工程;2014年16期

5 趙海峰;楊國斌;;基于振動信號的深溝球軸承滾動體故障診斷研究[J];化工機械;2014年03期

6 張俊紅;李林潔;馬文朋;李周裕;劉昱;;EMD-ICA聯(lián)合降噪在滾動軸承故障診斷中的應用[J];中國機械工程;2013年11期

7 王金福;李富才;;機械故障診斷的信號處理方法:頻域分析[J];噪聲與振動控制;2013年01期

8 范會敏;王浩;;模式識別方法概述[J];電子設計工程;2012年19期

相關(guān)博士學位論文 前3條

1 甘萌;信號的稀疏表達在滾動軸承故障特征提取及智能診斷中的應用研究[D];中國科學技術(shù)大學;2017年

2 武哲;旋轉(zhuǎn)機械故障診斷與預測方法及其應用研究[D];北京交通大學;2016年

3 謝波;油紙絕緣氣隙放電產(chǎn)氣和能量變化特性及信號能量熵特征研究[D];重慶大學;2016年

相關(guān)碩士學位論文 前6條

1 趙懷山;基于時頻分析的滾動軸承故障診斷方法研究[D];西安理工大學;2017年

2 蒲子璽;基于VMD的滾動軸承故障診斷研究[D];蘭州交通大學;2017年

3 張偉;基于卷積神經(jīng)網(wǎng)絡的軸承故障診斷算法研究[D];哈爾濱工業(yè)大學;2017年

4 徐光耀;SVM中相關(guān)參數(shù)選擇與應用研究[D];山東科技大學;2017年

5 許佩佩;基于EMD和SVM的滾動軸承故障診斷研究[D];中南大學;2013年

6 周玖玖;入侵檢測中支持向量機參數(shù)選擇方法研究[D];中南大學;2012年

本文編號：2811111