本文關(guān)鍵詞：基于小波理論的滾動(dòng)軸承故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機(jī)械故障診斷一直以來(lái)都是研究的熱點(diǎn)，至今也取得了一些成果，然而仍然存在很多問(wèn)題。滾動(dòng)軸承作為最常用的部件之一，對(duì)其進(jìn)行故障診斷意義十分重大。 論文基于滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行故障診斷，滾動(dòng)軸承振動(dòng)信號(hào)能夠包含故障特性并且適合各種軸承，基于振動(dòng)信號(hào)的故障診斷能有效診斷前期微小故障，診斷結(jié)果準(zhǔn)確可靠。 論文在研究小波理論的基礎(chǔ)上，采用小波包分析結(jié)合對(duì)數(shù)能量熵提取信號(hào)的故障特征。故障特征提取在滾動(dòng)軸承故障診斷中尤其重要，它是軸承狀態(tài)識(shí)別的基礎(chǔ)，直接關(guān)系到診斷結(jié)果的準(zhǔn)確性。論文利用小波包對(duì)滾動(dòng)軸承信號(hào)進(jìn)行分解，對(duì)分解得到的各個(gè)信號(hào)計(jì)算歸一化能量熵，以提取信號(hào)的故障特征。 論文采用最小二乘支持向量機(jī)對(duì)軸承狀態(tài)進(jìn)行識(shí)別，取得了比較理想的效果。最小二乘支持向量機(jī)(LSSVM)不同于傳統(tǒng)支持向量機(jī)，它采用最小二乘線性系統(tǒng)作為損失函數(shù)，簡(jiǎn)化了計(jì)算的復(fù)雜性，，提高了運(yùn)算速度。論文研究了最小二次支持向量機(jī)算法，并利用該算法對(duì)軸承工況進(jìn)行識(shí)別。 本文搭建了旋轉(zhuǎn)機(jī)械故障診斷實(shí)驗(yàn)平臺(tái)，模擬了多種滾動(dòng)軸承故障，檢驗(yàn)了本文提出的小波包能量熵和LSSVM結(jié)合進(jìn)行滾動(dòng)軸承故障診斷的方法，證明了該方法的有效性。本文還利用小波分析算法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行處理，初步判斷故障類型。
【關(guān)鍵詞】：滾動(dòng)軸承 故障診斷 小波包分析 能量熵 LSSVM
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TH133.33;TH165.3
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 本課題研究的意義10-11
• 1.2 滾動(dòng)軸承故障診斷技術(shù)的研究現(xiàn)狀11-12
• 1.3 滾動(dòng)軸承故障診斷的主要內(nèi)容12-13
• 1.4 滾動(dòng)軸承故障診斷技術(shù)13-15
• 1.4.1 滾動(dòng)軸承故障特征提取方法13-14
• 1.4.2 滾動(dòng)軸承狀態(tài)識(shí)別方法14-15
• 1.5 本論文的主要內(nèi)容15-16
• 1.6 本章小結(jié)16-17
• 第二章 基于小波理論的滾動(dòng)軸承故障診斷方案設(shè)計(jì)17-26
• 2.1 實(shí)驗(yàn)平臺(tái)介紹17-20
• 2.2 滾動(dòng)軸承故障試驗(yàn)方案設(shè)計(jì)20-22
• 2.2.1 軸承故障設(shè)置20-21
• 2.2.2 軸承故障特征頻率21-22
• 2.3 滾動(dòng)軸承故障診斷方案設(shè)計(jì)22-24
• 2.3.1 故障特征參數(shù)的選取22-23
• 2.3.2 滾動(dòng)軸承狀態(tài)識(shí)別方法的選擇23
• 2.3.3 滾動(dòng)軸承故障診斷流程23-24
• 2.4 小波基函數(shù)的選擇24-25
• 2.5 本章小結(jié)25-26
• 第三章 基于小波理論的滾動(dòng)軸承故障特征提取26-40
• 3.1 小波變換基礎(chǔ)理論26-30
• 3.1.1 小波變換的定義26-28
• 3.1.2 連續(xù)小波變換極其離散化28-30
• 3.2 多分辨分析30-33
• 3.2.1 多分辨分析思想31
• 3.2.2 MALLAT 算法31-33
• 3.3 小波包分析33-38
• 3.3.1 小波包的定義34-35
• 3.3.2 小波包算法35-36
• 3.3.3 小波包分解后的頻帶排序36-38
• 3.4 滾動(dòng)軸承信號(hào)的故障特征提取38-39
• 3.4.1 提取滾動(dòng)軸承信號(hào)的故障特征38-39
• 3.4.2 小波包對(duì)數(shù)能量熵的應(yīng)用39
• 3.5 本章小結(jié)39-40
• 第四章 滾動(dòng)軸承故障分類方法分析及仿真驗(yàn)證40-56
• 4.1 統(tǒng)計(jì)學(xué)基本理論40-43
• 4.1.1 VC 維理論40-41
• 4.1.2 推廣性的界41-42
• 4.1.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化42-43
• 4.2 支持向量分類機(jī)43-49
• 4.2.1 線性支持向量分類機(jī)44-46
• 4.2.2 非線性支持向量分類機(jī)46-49
• 4.3 最小二乘支持向量機(jī)(LSSVM)分類49-52
• 4.3.1 LSSVM 分類算法49-50
• 4.3.2 常用 LSSVM 參數(shù)選擇方法50-52
• 4.4 LSSVM 多分類算法的確定52-53
• 4.5 實(shí)驗(yàn)仿真53-55
• 4.6 本章小結(jié)55-56
• 第五章 基于小波理論的滾動(dòng)軸承故障診斷方法實(shí)現(xiàn)56-74
• 5.1 滾動(dòng)軸承故障初步診斷56-63
• 5.1.1 時(shí)域信號(hào)分析56-59
• 5.1.2 基于小波分解的頻域信號(hào)分析59-63
• 5.2 基于小波包能量熵和 LSSVM 的滾動(dòng)軸承故障診斷63-71
• 5.2.1 基于小波包和能量熵的特征向量提取64-67
• 5.2.2 基于 LSSVM 的滾動(dòng)軸承狀態(tài)識(shí)別67-71
• 5.3 多路數(shù)據(jù)并列分析優(yōu)化診斷結(jié)果71-73
• 5.4 本章小結(jié)73-74
• 第六章 總結(jié)與展望74-76
• 6.1 總結(jié)74
• 6.2 展望74-76
• 致謝76-77
• 參考文獻(xiàn)77-80
• 附錄80-86

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 肖述兵;;滾動(dòng)軸承振動(dòng)故障診斷實(shí)踐[J];軸承;2006年03期

2 陳新國(guó),程耕國(guó);實(shí)用數(shù)字音頻功放的設(shè)計(jì)[J];電聲技術(shù);2003年11期

3 熊聯(lián)歡,胡漢平,李德華,皮明紅;香農(nóng)正交小波變換的FFT實(shí)現(xiàn)[J];華中理工大學(xué)學(xué)報(bào);1998年08期

4 張學(xué)工;關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J];自動(dòng)化學(xué)報(bào);2000年01期

5 鄧蕊;馬永軍;劉堯猛;;基于改進(jìn)交叉驗(yàn)證算法的支持向量機(jī)多類識(shí)別[J];天津科技大學(xué)學(xué)報(bào);2007年02期

6 何正嘉,李富才,杜遠(yuǎn),陳鵬;小波技術(shù)在機(jī)械監(jiān)測(cè)診斷領(lǐng)域的應(yīng)用現(xiàn)狀與進(jìn)展[J];西安交通大學(xué)學(xué)報(bào);2001年05期

7 王明祥;寧宇蓉;王晉國(guó);;基于Mallat算法的一維離散小波變換的實(shí)現(xiàn)[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年03期

8 郭輝;劉賀平;王玲;;最小二乘支持向量機(jī)參數(shù)選擇方法及其應(yīng)用研究[J];系統(tǒng)仿真學(xué)報(bào);2006年07期

9 程耕國(guó),周鳳星;一種高速軋機(jī)故障檢測(cè)系統(tǒng)[J];武漢科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年01期

10 周劍,趙明濤,楊玉孝,譚玉山;基于二進(jìn)小波多分辨率逼近的層析三維數(shù)字化圖像邊緣檢測(cè)研究[J];中國(guó)機(jī)械工程;1999年11期

  本文關(guān)鍵詞：基于小波理論的滾動(dòng)軸承故障診斷方法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：326921