本文選題：故障軸承　切入點：小波包分析　出處：《太原理工大學(xué)》2011年碩士論文　論文類型：學(xué)位論文

【摘要】：滾動軸承作為基礎(chǔ)零部件在機械設(shè)備中起著承受載荷、傳動載荷的作用,是傳動系統(tǒng)中最關(guān)鍵和重要的部件,同時由于其工作環(huán)境較惡劣,也是最容易發(fā)生故障的部件,因此,分析研究軸承故障診斷技術(shù)具有重大的科學(xué)意義和現(xiàn)實意義。 傳統(tǒng)的軸承故障診斷方法是對滾動軸承的振動信號通過快速傅里葉變換(FFT)進行頻域分析來識別故障的,嚴格地說這種方法只適合分析平穩(wěn)的和具有高斯分布的信號,而滾動軸承的故障信號表現(xiàn)為非平穩(wěn)性,且故障特征較微弱,因此診斷起來往往比較困難。小波包變換是一種具有較強的弱信號分辨能力的時頻分析技術(shù),與傳統(tǒng)的FFT頻域分析技術(shù)相比具有多分辨分析的特點,能夠更有效地提取信號的故障特征。小波包變換在信號低頻部分具有較高的頻率分辨率和較低的時間分辨率,在信號的高頻部分具有較高的時間分辨率和較低的頻率分辨率,被稱為信號分析的“顯微鏡”。利用小波包分解技術(shù)對動態(tài)系統(tǒng)的故障進行檢測與診斷可以取得良好的效果。 但是小波包變換也存在很多不足之處,例如在利用小波包變換進行故障診斷時需要具備一定的先驗知識,如軸承的結(jié)構(gòu)參數(shù)、機器轉(zhuǎn)速和計算特征頻率的理論公式等,而機器在運行過程中轉(zhuǎn)速總會存在波動甚至是較大的變化,與轉(zhuǎn)速相關(guān)的特征頻率也會產(chǎn)生一定的波動甚至是較大范圍的跳躍；其次,對于很多類型的滾動軸承,由于計算它們特征頻率的理論公式很難導(dǎo)出,因此在對軸承進行診斷時就存在很大的不確定性。 粗糙集(rough set theory)是一種新的處理模糊、不完整和不確定信息的數(shù)學(xué)工具,它不需要任何先驗知識和系統(tǒng)的數(shù)學(xué)模型,僅從數(shù)據(jù)本身就能提取有用信息,揭示數(shù)據(jù)間的潛在規(guī)則,同時實現(xiàn)信息簡化,非常適合機械的故障診斷。 本文將小波包變換和粗糙集兩者的優(yōu)點結(jié)合起來,提出了一種基于小波包變換和粗糙集相結(jié)合的診斷規(guī)則獲取方法,這種方法最突出的特點是不需要計算滾動軸承的故障特征頻率,只需提取信號的能量特征值。最后將這種方法用于對滾動軸承的7種故障進行診斷,取得了良好的效果。
[Abstract]:Rolling bearing, as the basic part, plays the role of bearing load and driving load in mechanical equipment. It is the most critical and important part of transmission system. At the same time, because of its bad working environment, it is also the most prone to failure, so, It is of great scientific and practical significance to analyze and study bearing fault diagnosis technology. The traditional method of bearing fault diagnosis is to analyze the vibration signal of rolling bearing in frequency domain by fast Fourier transform (FFT). Strictly speaking, this method is only suitable for the analysis of stable signals with Gao Si distribution. However, the fault signal of rolling bearing is non-stationary and the fault characteristic is weak, so it is difficult to diagnose. Wavelet packet transform is a time-frequency analysis technique with strong weak signal resolution. Compared with the traditional FFT frequency domain analysis technique, it has the characteristics of multi-resolution analysis and can extract the fault feature of the signal more effectively. The wavelet packet transform has higher frequency resolution and lower time resolution in the low frequency part of the signal. In the high frequency part of the signal, it has higher time resolution and lower frequency resolution, so it is called "microscope" of signal analysis. Using wavelet packet decomposition technology to detect and diagnose the fault of dynamic system can obtain good results. However, wavelet packet transform also has many shortcomings, such as prior knowledge in fault diagnosis using wavelet packet transform, such as structural parameters of bearings, theoretical formulas for calculating machine speed and calculating characteristic frequency, and so on. And the speed of the machine always fluctuates or even changes greatly during the running process, and the characteristic frequency associated with the speed will also produce certain fluctuation and even a large range of jumps. Secondly, for many types of rolling bearings, Since the theoretical formulas for calculating their characteristic frequencies are difficult to derive, there is a great deal of uncertainty in the diagnosis of bearings. Rough set set the rough set is a new mathematical tool for dealing with fuzzy, incomplete and uncertain information. It does not require any prior knowledge or mathematical model of the system. It can extract useful information from the data itself and reveal the potential rules between the data. At the same time, the information is simplified, which is very suitable for mechanical fault diagnosis. In this paper, the advantages of wavelet packet transform and rough set are combined, and a diagnosis rule acquisition method based on wavelet packet transform and rough set is proposed. The most outstanding feature of this method is that it does not need to calculate the fault characteristic frequency of the rolling bearing, but only needs to extract the energy eigenvalue of the signal. Finally, the method is applied to diagnose 7 kinds of faults of the rolling bearing, and good results are obtained.
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2011
【分類號】：O159;TH165.3

【相似文獻】

相關(guān)期刊論文 前10條

1 趙惠文;;一般模糊熵及其應(yīng)用[J];信息工程大學(xué)學(xué)報;2011年03期

2 王丹;吳孟達;;粗糙模糊C均值融合聚類[J];國防科技大學(xué)學(xué)報;2011年03期

3 李晶晶;肖大偉;;一種粗糙集并行離散化算法[J];科技信息;2011年20期

4 曹棣;孔曉斌;;基于粗糙k-均值的web事務(wù)的聚類[J];山西師范大學(xué)學(xué)報(自然科學(xué)版);2011年02期

5 吳萍;姜懿庭;;基于粗糙集和信息熵的入侵檢測特征選擇方法研究[J];云南民族大學(xué)學(xué)報(自然科學(xué)版);2011年04期

6 廖偉華;;GIS柵格數(shù)據(jù)的鄰域粒化和粗糙逼近[J];地理空間信息;2011年04期

7 易戰(zhàn)軍;;基于遺傳算法和粗糙集的圖像檢索[J];科技信息;2011年18期

8 高瑞;皮駿;;故障字典在軸承故障診斷中的應(yīng)用研究[J];中國西部科技;2011年17期

9 李玲俐;;數(shù)據(jù)挖掘中分類算法綜述[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2011年04期

10 劉家國;趙金樓;;基于自我分類的供應(yīng)鏈合作伙伴選擇模型[J];哈爾濱工程大學(xué)學(xué)報;2011年06期

相關(guān)會議論文 前10條

1 肖健梅;蘆曉明;王錫淮;;集裝箱起重機防搖系統(tǒng)粗糙集控制[A];第二十六屆中國控制會議論文集[C];2007年

2 李曉麗;王彤;杜振龍;;基于粗糙集理論的流數(shù)據(jù)最優(yōu)特征選擇[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2005年

3 聶力;王翰虎;;一個基于粗糙集理論的分類規(guī)則學(xué)習(xí)算法[A];第十六屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集[C];1999年

4 王旭陽;王彤;李明;;基于粗糙集理論的分類規(guī)則挖掘方法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2005年

5 劉永紅;薛青;鄭長偉;;基于粗糙集理論的C4ISR評估方法[A];第13屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集[C];2011年

6 趙明清;陶樹平;;基于模糊等價關(guān)系的粗糙集[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2003年

7 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡中的應(yīng)用[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

8 陳楚湘;沈建京;陳冰;尚長興;王運成;;運用粗糙集理論建立中老年肺炎中醫(yī)癥候診斷標(biāo)準(zhǔn)[A];第二十九屆中國控制會議論文集[C];2010年

9 趙榮珍;楊娟;黃顯華;;粗糙集理論的故障知識發(fā)現(xiàn)及其工程應(yīng)用模式研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

10 顧成杰;張順頤;劉凱;黃河;;基于粗糙集和禁忌搜索的特征選擇方法[A];江蘇省電子學(xué)會2010年學(xué)術(shù)年會論文集[C];2010年

相關(guān)重要報紙文章 前6條

1 閆春龍　邱云龍;宣鋼與北京工業(yè)大學(xué)共同申報發(fā)明專利[N];世界金屬導(dǎo)報;2011年

2 ;櫛風(fēng)沐雨鑄輝煌 繼往開來譜華章[N];人民郵電;2006年

3 王瑋 蔡蓮紅;數(shù)據(jù)挖掘走入語音處理[N];計算機世界;2001年

4 本報記者 李智 通訊員 梁憲生;零的突破[N];山西經(jīng)濟日報;2001年

5 李磊;讓電子政務(wù)更聰明[N];計算機世界;2001年

6 重慶郵電學(xué)院黨委書記徐仲偉 院長 聶能;發(fā)揮學(xué)科優(yōu)勢 打造信息平臺[N];科技日報;2005年

相關(guān)博士學(xué)位論文 前10條

1 張國軍;基于粗糙集的相對屬性約簡算法及決策方法研究[D];華中科技大學(xué);2010年

2 馬君華;粗糙集屬性約簡和聚類算法及其在電力自動化中的應(yīng)用研究[D];華中科技大學(xué);2010年

3 楊習(xí)貝;不完備信息系統(tǒng)中粗糙集理論研究[D];南京理工大學(xué);2010年

4 紀(jì)霞;不完備信息系統(tǒng)中粗糙集理論的擴展研究與應(yīng)用[D];安徽大學(xué);2010年

5 趙佰亭;混合決策系統(tǒng)的粗集模型及在轉(zhuǎn)臺故障診斷中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2010年

6 劉業(yè)政;基于粗糙集數(shù)據(jù)分析的智能決策支持系統(tǒng)研究[D];合肥工業(yè)大學(xué);2002年

7 叢蓉;作戰(zhàn)指揮決策支持系統(tǒng)目標(biāo)融合識別研究[D];大連理工大學(xué);2010年

8 哈斯巴干;神經(jīng)網(wǎng)絡(luò)及其組合算法的遙感數(shù)據(jù)分類研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2003年

9 劉洪波;漢語認知腦數(shù)據(jù)挖掘相關(guān)算法及應(yīng)用研究[D];大連理工大學(xué);2006年

10 王曙燕;醫(yī)學(xué)圖像智能分類算法研究[D];西北大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 呂望;基于粗糙集的車輛超載自動檢測方法研究[D];長沙理工大學(xué);2010年

2 田靜宜;基于粗糙集和神經(jīng)網(wǎng)絡(luò)的柴油機故障診斷研究[D];中北大學(xué);2011年

3 于興網(wǎng);粗糙集屬性約簡算法在數(shù)據(jù)挖掘中的研究[D];重慶大學(xué);2004年

4 雷明;基于粗糙集理論的決策表壓縮[D];華北電力大學(xué)（北京）;2010年

5 魏悅亮;粗糙集在數(shù)據(jù)挖掘不確定性問題中的研究[D];中國石油大學(xué);2010年

6 袁曉娟;基于粒計算的雙論域粗糙集模型研究[D];蘭州大學(xué);2010年

7 武金艷;粗糙集與證據(jù)理論在醫(yī)療智能診斷系統(tǒng)中的應(yīng)用研究[D];湖南大學(xué);2010年

8 穆海芳;基于粗糙集理論的故障診斷知識獲取研究[D];合肥工業(yè)大學(xué);2010年

9 李琴;基于粗糙集的商業(yè)智能決策的研究與應(yīng)用[D];廣東工業(yè)大學(xué);2011年

10 張賢勇;粗糙集的數(shù)學(xué)基礎(chǔ)研究與兩個廣義粗糙集模型的探討[D];四川師范大學(xué);2004年

，

本文編號：1599685