【摘要】： 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,對其進行故障監(jiān)測和診斷是國內(nèi)外工程技術(shù)領(lǐng)域的研究熱點。利用軸承及其組件的隨機振動信號對其工作狀態(tài)進行監(jiān)測和診斷是目前旋轉(zhuǎn)機械故障監(jiān)測與診斷研究中最常用的方法。 機械設(shè)備的診斷過程中,故障特征提取和模式識別是診斷的兩個關(guān)鍵。本文針對滾動軸承故障振動信號的特征,采用基于多重分形理論的廣義分形維數(shù)描述、基于時序分析的AR模型方法、基于時頻分析的小波包降噪分解技術(shù)及主元分析方法實現(xiàn)了軸承故障特征信息的提取,取得了滿意的效果。本文將AR模型和小波分析方法分別與RBF神經(jīng)網(wǎng)絡相結(jié)合組成了兩個RBF神經(jīng)網(wǎng)絡故障診斷系統(tǒng)對軸承的故障模式進行了識別,取得了較好的效果。針對工程實際中難以獲得大量典型故障樣本的情況,將SVM方法引入軸承的智能故障診斷中,對SVM分類器的分類性能進行了較為深入的研究。將主元分析方法與SVM方法相結(jié)合組成故障診斷系統(tǒng),完成了滾動軸承故障模式的識別。實驗和分析結(jié)果表明,SVM分類器在小樣本故障診斷中具有優(yōu)良的分類性能,將主元分析和SVM方法相結(jié)合用于軸承的故障診斷取得了良好的效果,能有效地識別滾動軸承的工作狀態(tài)和故障類型。
【學位授予單位】：吉林大學
【學位級別】：博士
【學位授予年份】：2008
【分類號】：TH165.3
【圖文】：

圖 2-2 挪威海岸線 圖 2-3 挪威海岸線測量結(jié)果事實上，式(2-2)表達的曲線在數(shù)學上確實具有分形的性質(zhì)。一般地，對于分形曲線 D >1，則( ) = =∞→→DLL1000lim εlimεεε(2-3)表明曲線的長度隨尺碼趨于零而趨于∞。如ε 并不趨于零，則( ) ( )100= < DL εLDεε(2-4)這表明(ε )L 隨碼尺ε 的減小而增大。幾何上，分維D刻畫了曲線的“粗糙”程度，D越大，曲線越彎折，越不規(guī)則。D越小，曲線越光滑。也就是說分維 D能定量地表征曲線的不規(guī)則程度(如圖 2-4 所示)。2.3.2 幾種分形維數(shù)概述圖形的維數(shù)和測度是其基本不變量。在傳統(tǒng)的幾何觀念中，圖形的維數(shù)總是自然數(shù)，而零測度點集是很稀疏的點集。然而，自 Cantor 起，數(shù)學家們就

圖 2-2 挪威海岸線 圖 2-3 挪威海岸線測量結(jié)果事實上，式(2-2)表達的曲線在數(shù)學上確實具有分形的性質(zhì)。一般地，對于分形曲線 D >1，則( ) = =∞→→DLL1000lim εlimεεε(2-3)表明曲線的長度隨尺碼趨于零而趨于∞。如ε 并不趨于零，則( ) ( )100= < DL εLDεε(2-4)這表明(ε )L 隨碼尺ε 的減小而增大。幾何上，分維D刻畫了曲線的“粗糙”程度，D越大，曲線越彎折，越不規(guī)則。D越小，曲線越光滑。也就是說分維 D能定量地表征曲線的不規(guī)則程度(如圖 2-4 所示)。2.3.2 幾種分形維數(shù)概述圖形的維數(shù)和測度是其基本不變量。在傳統(tǒng)的幾何觀念中，圖形的維數(shù)總是自然數(shù)，而零測度點集是很稀疏的點集。然而，自 Cantor 起，數(shù)學家們就

圖 2-4 D刻畫了曲線的不規(guī)則程度( )2εεSN ≈ 即(ε ) ( ε)ln N = lnS+2ln1數(shù)( )( )==(Ω )→2dimln1lnlim0 εεεNnΩ R，如果它可由(ε )N 個邊長為ε 的( )( )( ε)εεln1lndimlim0NdefB→Ω =容積維數(shù)或盒維數(shù)。的一個問題是，選擇不同的覆蓋是否會論的確如此。為避免歧義，一般取最小計分集1Ω ，在其構(gòu)造過程中第n步，所有點此其容積維數(shù)為( )0.6309ln2ln2dimlimΩ==≈n

【引證文獻】

相關(guān)期刊論文 前5條

1 胡雅婷;左春檉;曲福恒;楊洋;;基于改進可能性聚類算法的軸承故障診斷[J];長春理工大學學報(自然科學版);2011年03期

2 張倩;張志新;王亮;;基于振動測試的滾動軸承故障診斷技術(shù)進展[J];風機技術(shù);2012年01期

3 陶勇;;礦用機械滾動軸承潤滑維護探索[J];煤礦機械;2012年12期

4 李兵;張培林;米雙山;劉東升;任國全;;齒輪故障信號多重分形維數(shù)的形態(tài)學計算方法[J];振動.測試與診斷;2011年04期

5 肖強;李學仁;杜軍;;基于相圖相似度的發(fā)動機轉(zhuǎn)子系統(tǒng)故障診斷方法研究[J];噪聲與振動控制;2011年02期

相關(guān)博士學位論文 前3條

1 陳文清;基于免疫機理的水泥生產(chǎn)工藝故障智能診斷方法研究[D];華中科技大學;2011年

2 蘇文勝;滾動軸承振動信號處理及特征提取方法研究[D];大連理工大學;2010年

3 朱清慧;大型振動篩DZK2466側(cè)幫裂紋故障診斷系統(tǒng)研究[D];中國礦業(yè)大學(北京);2012年

相關(guān)碩士學位論文 前10條

1 蔣靜;基于量子粒子群優(yōu)化的Volterra核辨識及故障診斷方法研究[D];鄭州大學;2010年

2 李聰;基于概念驅(qū)動的變速箱故障診斷機理研究[D];吉林大學;2011年

3 劉觀青;滾動軸承故障診斷系統(tǒng)開發(fā)[D];長安大學;2011年

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

5 馮召勇;卷積混合振動信號的獨立分量分析[D];華東交通大學;2011年

6 楊慧斌;滾動軸承故障診斷中的特征提取與選擇方法[D];湖南工業(yè)大學;2011年

7 張國瑞;基于小波包—神經(jīng)網(wǎng)絡的機車軸承故障診斷的研究[D];中南大學;2010年

8 孫偉;基于LMD和RBF的直升傳動系統(tǒng)故障診斷方法研究[D];南昌航空大學;2012年

9 郭大文;旋轉(zhuǎn)機械故障特征提取與分析技術(shù)研究[D];電子科技大學;2012年

10 張曉曉;基于信號處理的電氣化鐵路弓網(wǎng)接觸壓力分析[D];西南交通大學;2013年

本文編號：2773555