發(fā)布時(shí)間：2018-06-01 13:57

  本文選題：滾動(dòng)軸承 + 特征提取��； 參考：《華中農(nóng)業(yè)大學(xué)》2011年碩士論文

【摘要】：由于軸承的壽命具有很大的離散性和不可預(yù)知性,對(duì)其進(jìn)行故障診斷與實(shí)時(shí)監(jiān)測(cè)來保證機(jī)械設(shè)備安全運(yùn)行尤為重要。軸承故障診斷技術(shù)包括信號(hào)采集、特征提取、故障模式識(shí)別等環(huán)節(jié),是一門包括機(jī)械、信號(hào)處理、人工智能、傳感器等技術(shù)的交叉學(xué)科。本文中以滾動(dòng)軸承6205為例,對(duì)其進(jìn)行故障診斷分析,其主要故障形式有內(nèi)圈故障、外圈故障、滾動(dòng)體故障三類。主要研究軸承振動(dòng)信號(hào)的故障特征提取方法、特征降維方法及多故障診斷算法在診斷技術(shù)中的應(yīng)用,并將些算法在MATLAB GUI工程中實(shí)現(xiàn),開發(fā)出故障診斷軟件。 特征提取是故障診斷技術(shù)的一個(gè)重要環(huán)節(jié),對(duì)其進(jìn)行選擇的特征應(yīng)該能準(zhǔn)確而敏感地反映軸承的工作狀態(tài),本文結(jié)合相關(guān)文獻(xiàn)利用以下幾種方法綜合提取特征：計(jì)算并提取信號(hào)的時(shí)域統(tǒng)計(jì)量作為特征,即常用的各階中心矩與原點(diǎn)矩；在頻域中應(yīng)用參數(shù)法和非參數(shù)法估計(jì)信號(hào)的功率譜分析其頻率特征；利用時(shí)頻分析技術(shù)希爾伯特黃變換(HHT)來提取特征。 主要開展的工作如下： 將希爾伯特黃變換用于軸承的振動(dòng)信號(hào)分解,計(jì)算各信號(hào)成分的希爾伯特譜和希爾伯特邊際譜,提取相應(yīng)的故障特征；為減輕經(jīng)驗(yàn)?zāi)B(tài)分解出現(xiàn)的混疊現(xiàn)象,提取真實(shí)的頻率成分,本文分析了信號(hào)及其導(dǎo)數(shù)的關(guān)系,提出一種用信號(hào)二階導(dǎo)數(shù)的極值點(diǎn)取代原經(jīng)驗(yàn)?zāi)B(tài)分解算法中的信號(hào)極值點(diǎn)的方法進(jìn)行三次樣條插值,并將其與改進(jìn)前進(jìn)行對(duì)比,發(fā)現(xiàn)改進(jìn)的算法能準(zhǔn)確分解出信號(hào)中幅值分量表現(xiàn)不明顯的高頻信號(hào),具有很好的實(shí)用價(jià)值； 針對(duì)多故障診斷的人工智能算法進(jìn)行研究,本文中主要用到的算法是多分類支持向量機(jī)和決策樹。在多分類支持向量機(jī)算法中,其方法是：一是從時(shí)域和頻域中綜合提取7個(gè)特征,在經(jīng)過主成分分析降維,得到4個(gè)主成分,包含原有特征98.8%的信息。在MATLAB中對(duì)多分類支持向量機(jī)進(jìn)行編程,對(duì)樣本信號(hào)的主成分進(jìn)行訓(xùn)練和預(yù)測(cè),試驗(yàn)結(jié)果表明：該方法能有效診斷軸承的幾種典型故障,總的正確識(shí)別率達(dá)97.3%。 第二種診斷方法是將希爾伯特黃變換和決策樹相結(jié)合。其方法是：首先用EMD對(duì)軸承振動(dòng)信號(hào)進(jìn)行分解處理,并對(duì)得到的固有模態(tài)函數(shù)進(jìn)行自相關(guān)降噪,提取主要頻率作為特征,再根據(jù)樣本特征生成C4.5故障決策樹,并將決策樹的節(jié)點(diǎn)信息反饋給信號(hào)處理算法,以減少在預(yù)測(cè)工作過程中不必要的屬性計(jì)算和特征提取,降低算法復(fù)雜度,形成一個(gè)閉環(huán)的診斷系統(tǒng)。實(shí)驗(yàn)結(jié)果表明該算法正確診斷率達(dá)96%。
[Abstract]:Because the life of bearing is discrete and unpredictable, it is very important to make fault diagnosis and real-time monitoring to ensure the safe operation of mechanical equipment. Bearing fault diagnosis includes signal collection, feature extraction, fault pattern recognition and so on. It is an interdisciplinary subject including machinery, signal processing, artificial intelligence, sensor and so on. In this paper, the rolling bearing 6205 is taken as an example to diagnose and analyze its faults. The main fault forms are inner ring fault, outer ring fault and rolling body fault. This paper mainly studies the application of fault feature extraction method, feature dimension reduction method and multi-fault diagnosis algorithm in the diagnosis technology of bearing vibration signal. The software of fault diagnosis is developed by using these algorithms in MATLAB GUI engineering. Feature extraction is an important part of fault diagnosis technology. The selected features should accurately and sensitively reflect the working state of bearings. In this paper, the following methods are used to extract the features: the time-domain statistics of the signals are calculated and extracted, that is, the central moments and the origin moments of each order; In the frequency domain, the power spectrum of the signal is estimated by the parametric method and the non-parametric method, and the feature is extracted by using the time-frequency analysis technique, Hilbert Huang transform (HHT). The main tasks are as follows: The Hilbert-Huang transform is used to decompose the vibration signal of bearing, the Hilbert spectrum and Hilbert marginal spectrum of each signal component are calculated, and the corresponding fault characteristics are extracted. In this paper, the relationship between the signal and its derivative is analyzed, and a cubic spline interpolation method is proposed to replace the signal extremum of the original empirical mode decomposition algorithm with the extremum of the second derivative of the signal. Compared with the improved algorithm, it is found that the improved algorithm can accurately decompose the high frequency signal which the amplitude component in the signal is not obvious, and has good practical value. The main algorithms used in this paper are multi-classification support vector machine and decision tree. In the multi-classification support vector machine algorithm, the first method is to extract seven features from time domain and frequency domain synthetically. Through principal component analysis, four principal components are obtained, which contain 98.8% of the original feature information. The multi-classification support vector machine (SVM) is programmed in MATLAB to train and predict the principal components of the sample signal. The experimental results show that this method can effectively diagnose several typical faults of bearing, and the total correct recognition rate is 97.3%. The second method is to combine Hilbert Huang transform with decision tree. The method is as follows: firstly, the bearing vibration signal is decomposed by EMD, and the natural mode function is automatically correlated to reduce the noise, the main frequency is extracted as the feature, and then the C4.5 fault decision tree is generated according to the sample feature. The node information of the decision tree is fed back to the signal processing algorithm in order to reduce the unnecessary attribute calculation and feature extraction and reduce the complexity of the algorithm to form a closed loop diagnosis system. Experimental results show that the correct diagnosis rate of the algorithm is 96.
【學(xué)位授予單位】：華中農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：TH165.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 常家東;基于BP神經(jīng)網(wǎng)絡(luò)的磨機(jī)調(diào)心滾子軸承故障診斷研究[J];煤礦機(jī)械;2004年03期

2 王曉怡;王艷澤;張曉麗;徐剛;;基于決策樹技術(shù)的城市建設(shè)用地信息提取方法研究[J];資源開發(fā)與市場(chǎng);2009年03期

3 陳建國(guó);MIS中的戰(zhàn)略決策樹的構(gòu)造分析[J];中國(guó)包裝工業(yè);1996年01期

4 王春歆;李連;張玉葉;;樹形結(jié)構(gòu)SVMs多類分類的研究[J];海軍航空工程學(xué)院學(xué)報(bào);2005年02期

5 黃坤;李洪儒;;小波分析在軸承故障診斷中的應(yīng)用[J];科學(xué)技術(shù)與工程;2006年23期

6 王冬梅;;數(shù)據(jù)挖掘在醫(yī)院信息系統(tǒng)中的研究與應(yīng)用[J];科學(xué)技術(shù)與工程;2007年11期

7 孟昭睿;;基于分類回歸樹的個(gè)人信用評(píng)價(jià)模型[J];企業(yè)技術(shù)開發(fā);2009年02期

8 錢國(guó)良，舒文豪，洪勇，葉風(fēng)，郭茂祖;基于機(jī)器學(xué)習(xí)的手寫漢字特征選擇[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);1998年01期

9 趙衛(wèi)東,盛昭瀚,何建敏;粗糙集在決策樹生成中的應(yīng)用[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年04期

10 高學(xué)東,尹阿東,宮雨,武森;一種改進(jìn)的決策樹算法[J];工業(yè)工程與管理;2004年04期

相關(guān)會(huì)議論文 前10條

1 楊磊;王貴成;汪勇;張占勝;;SQL Server 2005在數(shù)據(jù)挖掘中的應(yīng)用[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

2 張守娟;周詮;;空間數(shù)據(jù)挖掘決策樹算法在遙感圖像分類中的應(yīng)用研究[A];中國(guó)遙感應(yīng)用協(xié)會(huì)2010年會(huì)暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

3 卜亞杰;胡朝舉;;一種改進(jìn)的ID3算法[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

4 黃冬梅;花強(qiáng);高印芝;;產(chǎn)生模糊決策樹的一個(gè)新算法[A];模糊集理論與應(yīng)用——98年中國(guó)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第九屆年會(huì)論文選集[C];1998年

5 丁鵬;徐波;;基于決策樹的海量語音數(shù)據(jù)處理與建模[A];第六屆全國(guó)人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2001年

6 田松;;面向?qū)傩詺w納的決策樹算法在壁畫病害信息提取方面的應(yīng)用[A];2009`中國(guó)地理信息產(chǎn)業(yè)論壇暨第二屆教育論壇就業(yè)洽談會(huì)論文集[C];2009年

7 黃冬梅;孫國(guó)基;王熙照;哈明虎;;決策樹生成過程中模糊數(shù)值屬性的處理(英文)[A];中國(guó)系統(tǒng)工程學(xué)會(huì)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第十一屆年會(huì)論文選集[C];2002年

8 桑明茜;;決策樹在財(cái)務(wù)報(bào)表分析中的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)、中國(guó)儀器儀表學(xué)會(huì)2004年西南三省一市自動(dòng)化與儀器儀表學(xué)術(shù)年會(huì)論文集[C];2004年

9 曹陽;黃泰翼;;基于統(tǒng)計(jì)方法的漢語連續(xù)語音中聲調(diào)模式的研究[A];第九屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

10 張少元;姚富強(qiáng);;基于決策樹的自適應(yīng)跳頻通信系統(tǒng)的研究[A];中國(guó)自動(dòng)化學(xué)會(huì)、中國(guó)儀器儀表學(xué)會(huì)2004年西南三省一市自動(dòng)化與儀器儀表學(xué)術(shù)年會(huì)論文集[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 陳芝蓉;舉棋不定時(shí) 試試決策樹[N];健康報(bào);2004年

2 何志高;一“枝”一“節(jié)”總關(guān)情[N];醫(yī)藥經(jīng)濟(jì)報(bào);2001年

3 徐筱舫;新法治腦轉(zhuǎn)移指南成“決策樹”[N];健康報(bào);2008年

4 孫滌;祈愿芻議(一)[N];南方周末;2007年

5 ;選擇合適的數(shù)據(jù)挖掘算法[N];計(jì)算機(jī)世界;2007年

6 趙煥焱;企業(yè)成敗源于決策[N];中國(guó)企業(yè)報(bào);2004年

7 ;數(shù)據(jù)挖掘：如何挖出效益？[N];中國(guó)計(jì)算機(jī)報(bào);2004年

8 劉寶 胡善聯(lián);六大問題待解決[N];醫(yī)藥經(jīng)濟(jì)報(bào);2002年

9 張宗新　郭來生 朱偉驊 陳劍波 沈正陽 施東暉;全流通市場(chǎng)挑戰(zhàn)內(nèi)幕操縱行為監(jiān)管[N];中國(guó)證券報(bào);2007年

10 張宗新邋朱偉驊 沈正陽 陳劍波;從數(shù)據(jù)中甄別內(nèi)幕操縱行為[N];中國(guó)證券報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 侯者非;強(qiáng)噪聲背景下滾動(dòng)軸承故障診斷的關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2010年

2 朱曉榮;基于決策樹的洞庭湖濕地信息提取技術(shù)研究[D];中國(guó)林業(yè)科學(xué)研究院;2012年

3 李春艷;分級(jí)防火墻系統(tǒng)中動(dòng)態(tài)訪問控制技術(shù)研究[D];哈爾濱工程大學(xué);2004年

4 黃定軒;企業(yè)核心能力智能挖掘應(yīng)用基礎(chǔ)研究[D];西南交通大學(xué);2005年

5 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

6 李明詩;基于ASTER遙感數(shù)據(jù)的建湖縣楊樹信息提取的研究[D];南京林業(yè)大學(xué);2005年

7 溫興平;基于多分類器組合的高光譜遙感數(shù)據(jù)分類技術(shù)研究[D];中國(guó)地質(zhì)大學(xué);2008年

8 盛立新;虛擬物流企業(yè)伙伴選擇研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2009年

9 王萍;遙感土地利用/土地覆蓋變化信息提取的決策樹方法[D];山東科技大學(xué);2004年

10 邵華;基于決策樹的海量時(shí)序不均衡數(shù)據(jù)下預(yù)測(cè)系統(tǒng)的研究[D];東北大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 賈桂鋒;基于HHT和決策樹的滾動(dòng)軸承故障診斷研究[D];華中農(nóng)業(yè)大學(xué);2011年

2 黃海龍;面向CRM的分類算法及應(yīng)用研究[D];重慶大學(xué);2002年

3 劉宇;NERMS中基于決策樹算法的用戶特征分類設(shè)計(jì)與實(shí)現(xiàn)[D];吉林大學(xué);2004年

4 宮生文;數(shù)據(jù)挖掘算法研究及其在旅游業(yè)中的應(yīng)用[D];青島大學(xué);2004年

5 李永;模糊決策樹系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];河北大學(xué);2004年

6 賈亞莉;基于粗糙集的多變量決策樹的應(yīng)用研究[D];合肥工業(yè)大學(xué);2005年

7 王永生;數(shù)據(jù)挖掘在考試系統(tǒng)中的應(yīng)用[D];北京工業(yè)大學(xué);2005年

8 王振華;基于決策樹的分布式分類算法研究[D];鄭州大學(xué);2005年

9 余傳義;實(shí)時(shí)手勢(shì)識(shí)別在人機(jī)交互中的應(yīng)用[D];上海海事大學(xué);2005年

10 李晶;基于決策樹技術(shù)的日前市場(chǎng)清算電價(jià)預(yù)測(cè)[D];合肥工業(yè)大學(xué);2005年

，

本文編號(hào)：1964423