在統(tǒng)計學習理論上發(fā)展起來的支持向量機，為小樣本學習問題的解決提供了一種新的思路。它很好地執(zhí)行了統(tǒng)計學習理論的結構風險最小化原則，并且利用核函數將非線性問題轉換到線性空間中解決，大大降低了算法的復雜程度。正是這些優(yōu)秀的性能使得支持向量機成為了機器學習研究的熱點，在各個領域都有它的應用和研究，特別是在故障診斷領域，由于在實際生產中故障樣本很難得到，故障診斷本身就是一個小樣本問題，而支持向量機所表現出的小樣本決策性能使得它在故障診斷領域的前景非常廣闊。同時，故障特征提取方法也是故障診斷中的重要環(huán)節(jié)。分形方法能夠通過其特征參數——分形維數對復雜機械系統(tǒng)的狀態(tài)微小變化做出量化的描述，借助分形維數這一特征量，將有助于對機械設備的狀態(tài)進行識別。 本文在對支持向量機和分形深入了解的基礎上，進行了以下方面的研究：以滾動軸承作為研究對象，首先對其故障行為進行了分析，并通過故障模擬的方法，在軸承實驗臺上進行了不同工況下滾動軸承幾種典型故障信號的采集。然后對采集到的振動信號進行了趨勢項的消除，并利用小波分析的方法對信號進行了消除噪聲的處理。進一步將經過預處理的信號應用分形的方法來提取滾動軸承振動信號的故障特征...

【文章頁數】：79 頁

【學位級別】：碩士

【部分圖文】：

圖2.2滾動軸承實驗臺Fig2.2labdeskofrollingelementbearings

2.3滾動軸承故障診斷實驗設計2.3.1滾動軸承故障模擬實驗臺簡介我們搭建了滾動軸承故障模擬試驗臺(如圖2.2所示)，其結構簡圖如圖2.3所示。該試驗臺是由機械驅動裝置、加載機構、固定裝置和機座四部分組成。其中，電機型號為Y100L2一4;額定功率為3KW;額定轉速為1420r/....

圖2.10內圈滾道正中輕徽故障信號

度故障的軸承、滾珠重度故障的軸承、內圈滾道正中重度故障和滾珠重度故障混合的軸承、兩個滾珠混合故障。實驗中采集了軸承在10種狀態(tài)下的振動信號，部分信號如下:沖J準盯..圖2.8正常抽承的振動信號Fig2.8vib住面onsignalofg以記mU伙別勿g圖2.9內圈側面故降信號Fi....

圖2.11內圈滾道正中中度故障信號

度故障的軸承、滾珠重度故障的軸承、內圈滾道正中重度故障和滾珠重度故障混合的軸承、兩個滾珠混合故障。實驗中采集了軸承在10種狀態(tài)下的振動信號，部分信號如下:沖J準盯..圖2.8正常抽承的振動信號Fig2.8vib住面onsignalofg以記mU伙別勿g圖2.9內圈側面故降信號Fi....

圖2.8正常抽承的振動信號

太原理工大學碩士研究生學位論文號采集儀采集并記錄各運行工況下各種故障狀態(tài)的加速度信號，采樣頻率設置為skHZ。實驗的對象依次為:完好軸承、內圈側面故障、內圈滾道正中輕微故障的軸承、內圈滾道正中中度故障的軸承、內圈滾道正中重度故障的軸承、滾珠輕微故障的軸承、滾珠中度故障的軸承、滾珠....

本文編號：3901166