滾動軸承在各種機械設(shè)備中發(fā)揮重要作用,其健康狀態(tài)與機械設(shè)備的安全穩(wěn)定運行密切相關(guān)。針對滾動軸承進行開展的故障診斷技術(shù)的研究,不僅可有效提高機械設(shè)備運行的可靠性及安全管理水平,同時還具有重要的理論應(yīng)用價值。本文對滾動軸承故障診斷方法的研究主要是特征提取和模式識別。研究工作如下:第一,本文基于振動信號處理的方法對具有非平穩(wěn)特性的滾動軸承故障振動信號先進行信號預(yù)處理,分析比較了常用的信號處理方法,最后選取了在處理非平穩(wěn)信號方面有優(yōu)勢的基于改善小波變換的小波包分析的時頻域處理方法。然后,應(yīng)用小波包變換對軸承振動信號進行降噪并提取特征信息,構(gòu)建輸入分類器的有效特征向量。第二,在構(gòu)建特征向量后,使用基于極限學習機的診斷模型進行軸承狀態(tài)的模式識別。針對隨機初始化極限學習機輸入權(quán)值和隱藏層閾值帶來的問題,利用蜻蜓算法在尋優(yōu)速度和全局尋優(yōu)能力上的優(yōu)勢,對極限學習機的輸入權(quán)值和隱藏層閾值進行參數(shù)尋優(yōu)。構(gòu)建基于蜻蜓算法優(yōu)化極限學習機的診斷模型,將該模型應(yīng)用于滾動軸承的故障診斷,實驗結(jié)果證明了該模型的有效性,且該模型對滾動軸承故障的測試速度和診斷準確率相比于極限學習機模型有了一定程度的提高。第三,針對蜻蜓算法... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

各種設(shè)備Fig.1-1Rollingbearing

基于IDA優(yōu)化極限學習機的軸承故障診斷研究8(2)ELM隱層神經(jīng)元數(shù)目的優(yōu)化。ELM中只有一個隱藏層，因此，需要更多的隱藏層神經(jīng)元保證網(wǎng)絡(luò)輸出性能，而隱藏層神經(jīng)元數(shù)目太多會導致ELM網(wǎng)絡(luò)的復雜化，大大降低運行效率，因此，需要對隱藏層神經(jīng)元數(shù)（隱層節(jié)點數(shù)）進行優(yōu)化，找到最佳的隱層節(jié)點數(shù)。綜上所述，基于ELM的優(yōu)點及其已經(jīng)在滾動軸承故障診斷中的成功應(yīng)用，本文基于ELM對滾動軸承故障診斷進行研究，在滾動軸承故障診斷的模式識別步驟中使用ELM模型，并為改善ELM的性能，對ELM進行優(yōu)化。因為ELM的輸入權(quán)值和隱藏層閾值直接影響ELM模型的性能，所以，本文采用相關(guān)算法優(yōu)化ELM輸入權(quán)值和隱藏層閾值的方法提高模型性能。1.3論文結(jié)構(gòu)安排及創(chuàng)新點1.3.1論文結(jié)構(gòu)安排本文以滾動軸承為研究對象，主要對軸承信號的特征提取和軸承狀態(tài)識別展開研究，本文的整體研究思路如圖1-2所示。圖1-2研究思路框圖Fig.1-2Researchideablock首先對軸承振動信號進行信號預(yù)處理，本文使用小波包變換對振動信號去噪并提取特征能量值，將組成的特征向量作為分類器的輸入。構(gòu)建特征向量后，本文選用基于極限學習機的模型作為滾動軸承故障診斷的分類器，為了改善極限學習機的性能，首先用蜻蜓算法（DragonflyAlgorithm,DA）尋找極限學習機的輸入權(quán)值和隱藏層閾值的最優(yōu)值，建立基于蜻蜓算法優(yōu)化極限學習機的DA-ELM診

青島科技大學研究生學位論文112滾動軸承振動信號分析方法相關(guān)研究滾動軸承是機械設(shè)備的關(guān)鍵部件之一，運作環(huán)境通常比較差，隨著設(shè)備的長時間運行，滾動軸承的性能下降，會有各種故障產(chǎn)生。如果不及時采取有效措施，軸承故障可能會造成嚴重的后果，軸承的健康狀態(tài)診斷對機械設(shè)備的安全穩(wěn)定運行十分重要�；谳S承振動信號的診斷中，需要對信號進行預(yù)處理。因此，對軸承振動信號的特性進行一定的分析是必要的，有助于我們更清楚地認識軸承振動信號的內(nèi)部特征，也有助于我們選取恰當?shù)男盘栴A(yù)處理方法。本章從滾動軸承的振動機理、振動信號的故障特征頻率以及故障振動信號特性分析等方面，來更全面的認識軸承振動信號，然后，分析討論了對于滾動軸承故障振動信號常用的信號處理方法，選定小波包變換作為本文軸承振動信號預(yù)處理方法。2.1軸承振動機理及故障特征分析2.1.1軸承結(jié)構(gòu)滾動軸承是一種能減少軸與軸座之間摩擦損失的精密的元件，它可以將轉(zhuǎn)動的軸與軸座之間的滑動摩擦變成滾動摩擦。如圖2-1所示，滾動軸承一般由內(nèi)圈1、外圈2、滾動體3和保持架4構(gòu)成。（1）內(nèi)圈：穩(wěn)固于軸頸上，和軸一起旋轉(zhuǎn)，表面上有內(nèi)滾道；（2）外圈：穩(wěn)固于軸承座上，用以支撐滾動體，表面上有外滾道；（3）滾動體：在內(nèi)圈和外圈之間，起滾動和傳力作用，是滾動軸承的最重要部件，可以減少相對運動時的表面間的摩擦；（4）保持架：均勻地把滾動體隔開，讓每個滾動體在內(nèi)圈和外圈之間正常滾動，減少滾動體間的摩擦和磨損，并能防止?jié)L動體脫落。圖2-1軸承結(jié)構(gòu)Fig.2-1Structureofbearing

【參考文獻】：
期刊論文
[1]Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging[J]. Yongbo LI,Xiaoqiang DU,Fangyi WAN,Xianzhi WANG,Huangchao YU.  Chinese Journal of Aeronautics. 2020(02)
[2]基于蜻蜓算法優(yōu)化支持向量機的滾動軸承故障診斷[J]. 李眾,王海瑞,朱建府,燕志星,李卓漫,王廣雪,劉毅凡.  化工自動化及儀表. 2019(11)
[3]淺析我國智能制造的發(fā)展態(tài)勢[J]. 唐小芳,裴潔,蘭天輝,李兆華,王磊.  中國標準化. 2019(21)
[4]基于分解-�；蛢�(yōu)化極限學習機的燃油泵性能退化趨勢預(yù)測[J]. 陳強強,戴邵武,戴洪德,李娟.  推進技術(shù). 2020(08)
[5]基于聲發(fā)射技術(shù)的滑動軸承潤滑狀態(tài)診斷研究進展[J]. 蔣亞迪,盧緒祥,陳向民,譚浩宇.  汕頭大學學報(自然科學版). 2019(03)
[6]蝙蝠算法優(yōu)化極限學習機的滾動軸承故障分類[J]. 覃愛淞,呂運容,張清華,胡勤,孫國璽.  計算機測量與控制. 2019(05)
[7]基于蜻蜓算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的燃氣輪機故障診斷[J]. 張霄,錢玉良,邱正,張云.  熱能動力工程. 2019(03)
[8]基于蜻蜓算法優(yōu)化ELM的電能質(zhì)量擾動診斷與識別研究[J]. 王宏剛,田洪迅,談軍,周輝.  電力電容器與無功補償. 2019(01)
[9]基于IGA-ELM網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 皮駿,馬圣,賀嘉誠,孔慶國,林家泉,劉光才.  航空學報. 2018(09)
[10]基于小波包變換和極限學習機的滾動軸承故障診斷[J]. 李瑞蓮,蘭媛,熊曉燕.  太原理工大學學報. 2017(06)

博士論文
[1]基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D]. 從飛云.上海交通大學 2012

碩士論文
[1]基于聲發(fā)射技術(shù)的地鐵列車滾動軸承故障診斷研究[D]. 陳展鵬.北京交通大學 2012



本文編號：2926203