本文關(guān)鍵詞：滾動(dòng)軸承復(fù)合故障的智能診斷系統(tǒng)研究

  更多相關(guān)文章： 滾動(dòng)軸承 復(fù)合故障 多特征提取 支持向量機(jī) 多分類器組 信息融合 人工蜂群算法

【摘要】：滾動(dòng)軸承是機(jī)械設(shè)備中應(yīng)用最廣泛且極易損壞的部件之一，其運(yùn)行狀態(tài)將直接影響系統(tǒng)的整體性能，導(dǎo)致設(shè)備損毀甚至造成災(zāi)難性事故。因此，開展對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的監(jiān)測(cè)和故障診斷具有重大現(xiàn)實(shí)意義。本文以基于支持向量機(jī)的滾動(dòng)軸承故障診斷模型為研究對(duì)象，所做的主要工作如下： 首先，詳細(xì)分析了滾動(dòng)軸承的機(jī)械結(jié)構(gòu)、故障發(fā)生機(jī)理和故障表現(xiàn)形式，利用振動(dòng)信號(hào)分析方法，具體分析了幾種典型的軸承振動(dòng)信號(hào)的時(shí)、頻域特征；同時(shí)針對(duì)工程實(shí)際中故障數(shù)據(jù)樣本不足的缺陷，提出采用基于支持向量機(jī)的分類器，用于滾動(dòng)軸承的故障診斷。 其次，針對(duì)單一的特征分析方法無法有效提取完備的特征信息，進(jìn)而造成分類障礙的缺陷，本文提出一種基于多特征提取的多分類器組診斷模型。該模型結(jié)合小波包變換、總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸�、時(shí)頻信息熵三種特征分析方法，從不同角度獲取完備特征信息，并將之輸入由三個(gè)支持向量機(jī)組成的多分類器組，再利用基于自整定權(quán)值決策模板的信息融合方法做出最終診斷，并通過仿真驗(yàn)證了該診斷模型能夠適用于復(fù)合故障診斷。 最后，為了分析優(yōu)化分類器參數(shù)對(duì)分類效果的影響，并進(jìn)一步簡(jiǎn)化多分類器組的結(jié)構(gòu)，利用時(shí)、頻域分析相結(jié)合的多特征方法提取滾動(dòng)軸承的故障信息，，并同樣采用基于支持向量機(jī)的多分類器組用于最終的故障診斷分類。同時(shí)采用一種搜索能力更強(qiáng)的改進(jìn)人工蜂群算法，搜尋支持向量機(jī)的最優(yōu)分類參數(shù)，提高分類性能。通過對(duì)不同軸承信號(hào)的仿真分析，證明了所提診斷模型的優(yōu)越性。
【關(guān)鍵詞】：滾動(dòng)軸承 復(fù)合故障 多特征提取 支持向量機(jī) 多分類器組 信息融合 人工蜂群算法
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH133.33;TP277
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-19
• 1.1 滾動(dòng)軸承故障診斷的意義10-11
• 1.2 滾動(dòng)軸承故障診斷技術(shù)綜述11-12
• 1.2.1 滾動(dòng)軸承故障診斷系統(tǒng)11
• 1.2.2 滾動(dòng)軸承故障診斷方法11-12
• 1.3 滾動(dòng)軸承故障研究現(xiàn)狀12-17
• 1.3.1 滾動(dòng)軸承故障診斷發(fā)展歷程12-13
• 1.3.2 滾動(dòng)軸承故障特征提取技術(shù)13-14
• 1.3.3 滾動(dòng)軸承復(fù)合故障診斷問題14-16
• 1.3.4 多分類器組融合技術(shù)的研究16-17
• 1.4 主要研究?jī)?nèi)容17-19
• 第2章 滾動(dòng)軸承故障分析19-33
• 2.1 軸承故障機(jī)理分析19-22
• 2.1.1 滾動(dòng)軸承機(jī)械結(jié)構(gòu)19-20
• 2.1.2 滾動(dòng)軸承失效形式20-21
• 2.1.3 滾動(dòng)軸承振動(dòng)分析21-22
• 2.2 實(shí)驗(yàn)平臺(tái)介紹22-24
• 2.3 軸承故障時(shí)、頻域特征24-29
• 2.3.1 時(shí)域特征分析24-27
• 2.3.2 頻域特征分析27-29
• 2.4 信號(hào)特征提取方法29-32
• 2.4.1 小波包變換方法29-31
• 2.4.2 總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）31
• 2.4.3 時(shí)頻信息熵方法31-32
• 2.5 本章小結(jié)32-33
• 第3章 基于支持向量機(jī)的分類器模型33-41
• 3.1 支持向量機(jī)模型33-35
• 3.1.1 機(jī)器學(xué)習(xí)問題33-34
• 3.1.2 統(tǒng)計(jì)學(xué)習(xí)理論34-35
• 3.1.3 SVM 分類原理35
• 3.2 LSSVM 分類器35-37
• 3.2.1 分類原理36-37
• 3.2.2 核函數(shù)分析37
• 3.3 分類器性能分析37-40
• 3.3.1 數(shù)據(jù)訓(xùn)練問題37-38
• 3.3.2 故障模式識(shí)別38-40
• 3.4 本章小結(jié)40-41
• 第4章 基于多特征提取的多分類器組診斷模型41-51
• 4.1 多分類器組診斷模型41-44
• 4.1.1 多特征提取42
• 4.1.2 SWDT 融合決策42-44
• 4.2 仿真實(shí)驗(yàn)44-48
• 4.2.1 多特征提取44-46
• 4.2.2 分類器組融合決策46-48
• 4.3 實(shí)測(cè)數(shù)據(jù)分析48-50
• 4.4 本章小結(jié)50-51
• 第5章 改進(jìn) ABC 算法優(yōu)化 LSSVM 分類器組診斷模型51-63
• 5.1 改進(jìn) ABC 算法（IABC）51-55
• 5.1.1 蜂群采蜜模型51-53
• 5.1.2 基本人工蜂群（ABC）算法53-54
• 5.1.3 改進(jìn)人工蜂群算法（IABC）54-55
• 5.2 IABC 優(yōu)化 LSSVM 分類參數(shù)55-57
• 5.3 基于時(shí)頻特征分析的 IABC-LSSVM 診斷模型57-58
• 5.4 仿真實(shí)驗(yàn)58-61
• 5.5 實(shí)測(cè)數(shù)據(jù)分析61-62
• 5.6 本章小結(jié)62-63
• 結(jié)論63-64
• 參考文獻(xiàn)64-69
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果69-70
• 致謝70-71
• 作者簡(jiǎn)介71

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 米愛中;郝紅衛(wèi);鄭雪峰;涂序彥;;一種自整定權(quán)值的多分類器融合方法[J];電子學(xué)報(bào);2009年11期

2 雷亞國(guó);何正嘉;訾艷陽(yáng);;基于混合智能新模型的故障診斷[J];機(jī)械工程學(xué)報(bào);2008年07期

3 雷亞國(guó);;基于改進(jìn)Hilbert-Huang變換的機(jī)械故障診斷[J];機(jī)械工程學(xué)報(bào);2011年05期

4 張學(xué)工;關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J];自動(dòng)化學(xué)報(bào);2000年01期

5 賈繼德;陳安宇;朱忠奎;;基于信息熵的時(shí)頻參數(shù)優(yōu)化及內(nèi)燃機(jī)軸承磨損監(jiān)測(cè)[J];農(nóng)業(yè)工程學(xué)報(bào);2010年04期

6 高紅斌;;滾動(dòng)軸承故障包絡(luò)信號(hào)分析及物理模擬[J];機(jī)械工程與自動(dòng)化;2008年02期

7 王冬梅;王黎;張濤;;鐵路機(jī)車故障診斷專家系統(tǒng)的設(shè)計(jì)[J];微計(jì)算機(jī)信息;2006年28期

8 唐耀華;高靜懷;包乾宗;;一種新的選擇性支持向量機(jī)集成學(xué)習(xí)算法[J];西安交通大學(xué)學(xué)報(bào);2008年10期

9 謝平,林洪彬,王霄,劉彬;一種用于故障診斷的多信息熵監(jiān)測(cè)方法研究[J];儀器儀表學(xué)報(bào);2004年S2期

10 白長(zhǎng)青;許慶余;張小龍;;考慮徑向內(nèi)間隙的滾動(dòng)軸承平衡轉(zhuǎn)子系統(tǒng)的非線性動(dòng)力穩(wěn)定性[J];應(yīng)用數(shù)學(xué)和力學(xué);2006年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 郭新辰;最小二乘支持向量機(jī)算法及應(yīng)用研究[D];吉林大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 楊國(guó)賓;基于遺傳算法的神經(jīng)網(wǎng)絡(luò)用于確定船舶碰撞危險(xiǎn)度的研究[D];河北工業(yè)大學(xué);2006年

本文編號(hào)：1038913