發(fā)布時間：2020-06-21 06:10

【摘要】：隨著現(xiàn)代科學(xué)技術(shù)的不斷發(fā)展，現(xiàn)代設(shè)備的結(jié)構(gòu)越來越復(fù)雜，功能越來越完善，自動化程度越來越高，系統(tǒng)集成的規(guī)模越來越大。因此，對設(shè)備的性能識別和故障診斷技術(shù)的要求越來越高。滾動軸承作為各類旋轉(zhuǎn)機械中最常用的通用零部件之一，也是旋轉(zhuǎn)機械易損件之一。滾動軸承故障診斷的理論、方法和應(yīng)用得到特別的重視。 本文詳細分析和討論了滾動軸承診斷的常用方法。這些傳統(tǒng)的方法主要基于振動分析診斷方法的基本原理和方法。在充分討論和分析滾動軸承的各種振動信號分析方法，包括時域分析、頻域分析和時頻分析以及各種時、頻域特征提取方法，以及新近發(fā)展的滾動軸承狀態(tài)識別方法中神經(jīng)網(wǎng)絡(luò)分類器和支持向量機的基本原理后，提出了新的軸承振動信號分析方法及狀態(tài)識別方法，對新方法的理論進行深入研究，并研制了分析程序，應(yīng)用實際數(shù)據(jù)進行數(shù)值試驗的應(yīng)用研究。 本文關(guān)于新方法的研究和應(yīng)用工作主要包括兩個部分： (1)吸取傳統(tǒng)共振解調(diào)技術(shù)的主要思想，結(jié)合自適應(yīng)短時傅立葉方法，提出一種新的振動信號分析方法——自適應(yīng)共振解調(diào)技術(shù)。該方法利用自適應(yīng)STFT對采集到的振動信號進行時頻變換，給出L~p范數(shù)準則從時頻能量譜中提取類似于邊緣譜的時間能量信號，并用該信號取代傳統(tǒng)共振解調(diào)中的包絡(luò)信號進行譜分析。試驗證明該方法不僅有效地突出了故障特征，還避免了傳統(tǒng)共振解調(diào)方法中濾波器參數(shù)選擇難的問題。 (2)提出了一種結(jié)合支持向量機、主成分分析及相關(guān)山形聚類分析的全新的軸承特征識別方法。首先利用支持向量機分類器對滾動軸承特征參數(shù)樣本進行分類，分離出帶故障的軸承特征參數(shù)樣本；其次對故障軸承的特征參數(shù)數(shù)據(jù)作主成分分析，得到獨立的，低維的，代表了主要信息的主成分指標；最后運用相關(guān)山形聚類方法對主成分數(shù)據(jù)進行聚類分析，最終達到辨別故障部位的目的。試驗表明，該方法用于軸承特征識別有效率達到96％。
【學(xué)位授予單位】：中央民族大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2006
【分類號】：TH133.33

【引證文獻】

相關(guān)碩士學(xué)位論文 前7條

1 胡秀琴;旋轉(zhuǎn)機械故障診斷技術(shù)研究[D];電子科技大學(xué);2011年

2 尚景山;基于模糊與虛擬儀器的滾動軸承故障診斷系統(tǒng)研究[D];大連交通大學(xué);2011年

3 高二山;基于現(xiàn)代信號分析方法的滾動軸承故障診斷的研究[D];華北電力大學(xué)（北京）;2009年

4 谷開波;滾切式雙邊剪故障處理方法的探索[D];西安建筑科技大學(xué);2009年

5 張俊;基于小波分形和神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[D];北京交通大學(xué);2009年

6 孟東東;基于虛擬儀器的采煤機故障診斷系統(tǒng)的研究[D];安徽理工大學(xué);2009年

7 裴新才;基于遺傳神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法的研究[D];山東理工大學(xué);2012年

本文編號：2723645