發(fā)布時間：2017-08-16 21:30

  本文關鍵詞：基于小波包和支持向量機的軸承故障診斷研究

  更多相關文章： 滾動軸承 故障診斷 特征提取 支持向量機 小波包變換

【摘要】：滾動軸承是最常用且關鍵的旋轉機械設備,同時它的故障發(fā)生率很高,軸承工作狀態(tài)的好壞直接影響著整臺設備甚至整條生產線的運行情況。因此,對滾動軸承進行故障診斷研究,具有十分重要的實際意義和理論價值。針對滾動軸承故障診斷具有數據樣本有限,采集的故障振動信號具有非平穩(wěn)、強噪聲背景等特點,本文提出采用小波包變換對故障振動信號進行去噪、重構以及特征提取,并結合支持向量機對故障類型進行識別的方法。為提高故障類型的識別正確率,首先,對基于小波包分析提取的故障特征向量作歸一化處理；其次,利用在交叉驗證(CV)意義下的遺傳算法對支持向量機參數進行尋優(yōu)；最后,用測試樣本分別對未參數優(yōu)化、參數尋優(yōu)的支持向量機進行故障類型識別。在MATLAB的平臺優(yōu)勢下,通過對比實驗結果,表明本文提出的方法具有更高的分類識別率,并且在允許的誤判范圍內,能夠滿足工業(yè)現場的需要。
【關鍵詞】：滾動軸承 故障診斷 特征提取 支持向量機 小波包變換
【學位授予單位】：遼寧工程技術大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH133.3;TP18
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1. 緒論10-15
• 1.1 課題研究的背景與意義10
• 1.2 國內外研究現狀10-12
• 1.3 滾動軸承故障診斷的流程12
• 1.4 本文的研究內容及結構安排12-15
• 1.4.1 研究內容12-13
• 1.4.2 結構安排13-15
• 2. 滾動軸承故障機理及振動分析15-18
• 2.1 滾動軸承振動信號的特性分析15-17
• 2.1.1 滾動軸承的結構以及特征頻率15-16
• 2.1.2 滾動軸承的固有振動頻率16
• 2.1.3 滾動軸承故障振動模型16-17
• 2.2 小結17-18
• 3. 基于小波分析的特征提取18-29
• 3.1 小波分析18-20
• 3.1.1 連續(xù)小波變換(CWT)18-19
• 3.1.2 離散小波變換(DWT)19
• 3.1.3 多分辨率分析19-20
• 3.1.4 正交小波變換20
• 3.2 小波包分析20-23
• 3.2.1 小波包的定義20-21
• 3.2.2 小波包的子空間分解21-22
• 3.2.3 小波包重構22
• 3.2.4 母小波的選取22-23
• 3.2.5 小波的分解層數的選取23
• 3.3 小波降噪23-27
• 3.3.1 基本降噪模型23-24
• 3.3.2 常用的小波降噪方法24-25
• 3.3.3 軟、硬閾值去噪的基本原理25-26
• 3.3.4 閾值的選取26-27
• 3.4 本章小結27-29
• 4. 支持向量機識別方法研究29-42
• 4.1 引言29
• 4.2 遺傳算法及其原理29-32
• 4.2.1 遺傳算法的基本原理及特點29-30
• 4.2.2 遺傳算法的實現步驟30-32
• 4.3 支持向量機分類器32-37
• 4.3.1 支持向量機分類的基本原理32-36
• 4.3.2 支持向量機的核函數36
• 4.3.3 支持向量機分類器的類型36-37
• 4.4 SVM分類器與核函數的選擇37-39
• 4.4.1 SVM分類器的選擇37-38
• 4.4.2 核函數以及參數優(yōu)化方案的選擇38-39
• 4.5 基于CV的遺傳優(yōu)化SVM的算法實現39-41
• 4.5.1 交叉驗證原理39-40
• 4.5.2 CV-GA算法實現40-41
• 4.6 本章小結41-42
• 5. 實驗仿真42-55
• 5.1 故障診斷流程42-43
• 5.2 去噪以及特征提取43-48
• 5.2.1 小波包去噪實驗43-45
• 5.2.2 小波包頻帶能量特征提取45-48
• 5.3 基于SVM的故障特征分類48-54
• 5.3.1 libsvm的介紹以及使用48-49
• 5.3.2 未經參數優(yōu)化的SVM仿真分類實驗49-51
• 5.3.3 基于GA-SVM的分類仿真實驗51-54
• 5.4 本章小結54-55
• 6. 結論55-57
• 6.1 總結55
• 6.2 研究工作展望55-57
• 參考文獻57-60
• 作者簡歷60-62
• 學位論文數據集62

【參考文獻】

中國期刊全文數據庫 前10條

1 耿紀洲;程廣濤;王成愷;;基于小波分形技術提取發(fā)動機曲軸軸承故障特征[J];工業(yè)儀表與自動化裝置;2013年04期

2 李江豹;賈振紅;覃錫忠;盛磊;陳麗;;基于改進的小波變換和LS-SVM模型的忙時話務量預測算法[J];激光雜志;2013年04期

3 孫海亮;訾艷陽;袁靜;何正嘉;李康;陳雪軍;;非抽樣多小波和Hilbert-Huang時頻分析在行星減速器早期故障診斷中的應用[J];機械工程學報;2013年03期

4 蔣偉江;;基于小波包和SOM神經網絡的車輛滾動軸承故障診斷[J];機械設計與研究;2012年06期

5 崔挺;孫元章;徐箭;黃磊;;基于改進小生境遺傳算法的電力系統(tǒng)無功優(yōu)化[J];中國電機工程學報;2011年19期

6 張華;陳小宏;楊海燕;;地震信號去噪的最優(yōu)小波基選取方法[J];石油地球物理勘探;2011年01期

7 宋彥坡;彭小奇;胡志坤;;支持向量回歸機元參數優(yōu)化方法[J];系統(tǒng)工程與電子技術;2010年10期

8 徐玉茗;鄧超;;基于支持向量機和Bayes方法的機械系統(tǒng)可靠性綜合方法[J];機械設計與制造;2010年05期

9 劉宗政;陳懇;陳振華;陳雁;黃元林;;滾動軸承的振動特性分析及典型故障診斷[J];機械設計與制造;2009年03期

10 孫見青;汪榮貴;胡韋偉;李守毅;;一種新的基于NGA/PCA和SVM的特征提取方法[J];系統(tǒng)仿真學報;2007年20期

中國博士學位論文全文數據庫 前2條

1 彭兵;基于改進支持向量機和特征信息融合的水電機組故障診斷[D];華中科技大學;2008年

2 朱啟兵;基于小波理論的非平穩(wěn)信號特征提取與智能診斷方法研究[D];東北大學;2006年

，

本文編號：685636