本文選題：滾動軸承 + 故障診斷�。� 參考：《電子科技大學》2012年碩士論文

【摘要】：滾動軸承是機械中應用最廣泛的零件之一，也是非常容易發(fā)生故障的零件。當滾動軸承發(fā)生故障時，不僅會影響到企業(yè)的正常生產過程，嚴重情況下還會造成生產事故，危及人生安全。因此，對于滾動軸承的故障診斷的研究是很有必要的。 發(fā)生故障的滾動軸承在運行過程中，其振動往往更為強烈。實際上，振動是軸承運行時不可避免的現(xiàn)象。故障軸承的振動信號包含著豐富的故障信息，由此可通過分析其振動信號進行故障的診斷。 滾動軸承的振動信號通常含有較多的噪聲以及沖擊成分，在分析之前先要進行去噪處理。傳統(tǒng)的分析方法如傅里葉分析只適合應用于平穩(wěn)信號的分析，對于具有時變性質的滾動軸承故障信號無能為力。小波是近來發(fā)展起來的，可用于分析時變信號的分析方法，在低頻處可獲得較好的頻域分辨率，高頻處可獲得較好的時域分辨率。但是，小波固有的算法會產生頻率折疊的問題，這對于提取故障信號的分量來說是不利的。形態(tài)小波兼顧了數(shù)學形態(tài)學和小波的優(yōu)良特性，能在去噪的同時，更好的保持細節(jié)，本文采用形態(tài)中值小波提取振動信號的能量作為模式識別的特征向量，通過比較可以發(fā)現(xiàn)，形態(tài)小波的效率要優(yōu)于小波，且能提取到小波所不能提取到的特征。傳統(tǒng)的神經(jīng)網(wǎng)絡等分類方法需要大量的訓練樣本，這對于數(shù)據(jù)樣本較少的軸承故障數(shù)據(jù)來說，是不適用的。采用支持向量機進行分類的優(yōu)點是訓練所需要的樣本數(shù)量相對較少，能解決通過向高位空間的映射解決非線性問題，，而且不會帶來維數(shù)的災難。最小二乘支持向量機是基礎的支持向量機的拓展，其算法的效率和精度要更優(yōu)于基礎的支持向量機。
[Abstract]:Rolling bearing is one of the most widely used parts in machinery. When the rolling bearing breaks down, it will not only affect the normal production process of the enterprise, but also cause the production accident and endanger the safety of life. Therefore, it is necessary to study the fault diagnosis of rolling bearings. The vibration of the malfunctioning rolling bearing is often stronger. In fact, vibration is an inevitable phenomenon in bearing operation. The vibration signal of the fault bearing contains abundant fault information, so the fault diagnosis can be carried out by analyzing the vibration signal of the bearing. The vibration signal of rolling bearing usually contains more noise and shock components. The traditional analysis methods such as Fourier analysis are only suitable for the analysis of stationary signals, but there is no way to deal with the fault signals of rolling bearings with time-varying properties. Wavelet is developed recently and can be used to analyze time-varying signals. It can obtain better frequency domain resolution at low frequency and better time domain resolution at high frequency. However, the inherent wavelet algorithm produces the problem of frequency folding, which is unfavorable for extracting the component of fault signal. Morphological wavelet combines the excellent characteristics of mathematical morphology and wavelet, and can better keep details while de-noising. In this paper, the energy of vibration signal is extracted as the feature vector of pattern recognition by means of morphological median wavelet, which can be found by comparison. Morphological wavelet is more efficient than wavelet and can extract features which cannot be extracted by wavelet. Traditional classification methods such as neural networks require a large number of training samples, which is not suitable for bearing fault data with less data samples. The advantage of using SVM to classify is that the number of samples needed for training is relatively small which can solve the nonlinear problem by mapping to the high space and will not bring about the disaster of dimension. Least square support vector machine (LS-SVM) is an extension of basic SVM, and its efficiency and accuracy are better than that of basic SVM.
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TH165.3

【參考文獻】

相關期刊論文 前10條

1 王彬彬;饒泓;張江文;;基于小波分析的滾動軸承故障診斷系統(tǒng)的研究[J];電腦知識與技術;2009年09期

2 李昕;張春良;李建;;機械故障診斷技術的發(fā)展及其在核機械中的應用[J];裝備制造技術;2009年10期

3 崔偉東,周志華,李星;支持向量機研究[J];計算機工程與應用;2001年01期

4 李志農,何永勇,褚福磊;基于Wigner高階譜的機械故障診斷的研究[J];機械工程學報;2005年04期

5 薛光輝;吳淼;;機電設備故障診斷方法研究現(xiàn)狀與發(fā)展趨勢[J];煤炭工程;2010年05期

6 李秋紅;李凈儀;謝劍;王麗君;;機械故障診斷的研究與發(fā)展趨勢[J];農機使用與維修;2010年02期

7 王鳳利;段樹林;于洪亮;高洪濤;;基于提升小波和局域波的柴油機故障診斷[J];內燃機學報;2011年04期

8 景小平;鄧方源;易世君;成和平;劉乃琦;;基于形態(tài)小波變換的指紋圖像識別預處理的應用研究[J];四川師范大學學報(自然科學版);2009年05期

9 任獲榮,王家禮,張平;一種更新提升形態(tài)小波圖像去噪算法[J];西安電子科技大學學報;2004年06期

10 湯巍,李士心,劉魯源,楊曄;關于陀螺信號處理中小波基選取的研究[J];中國慣性技術學報;2002年05期

相關博士學位論文 前5條

1 劉路;基于改進支持向量機和紋理圖像分析的旋轉機械故障診斷[D];天津大學;2011年

2 傅瑜;小波分析在旋轉機械故障診斷中的應用[D];西安電子科技大學;1998年

3 胡勁松;面向旋轉機械故障診斷的經(jīng)驗模態(tài)分解時頻分析方法及實驗研究[D];浙江大學;2003年

4 王春;基于小波和分形理論的齒輪故障特征提取及噪聲的和諧化研究[D];重慶大學;2006年

5 趙協(xié)廣;基于小波變換和經(jīng)驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

相關碩士學位論文 前2條

1 謝添卉;基于形態(tài)譜的電力線路故障選相研究[D];北京交通大學;2009年

2 楊正友;基于最小二乘支持向量機的滾動軸承故障診斷研究[D];湖南工業(yè)大學;2009年

本文編號：1831286