作為機(jī)械的重要組成部件,滾動(dòng)軸承的狀態(tài)對(duì)整個(gè)機(jī)械系統(tǒng)的運(yùn)行有著重要影響,如果滾動(dòng)軸承發(fā)生故障可能引發(fā)機(jī)械系統(tǒng)偏離正常的工作狀態(tài),甚至造成停機(jī)、停產(chǎn)、機(jī)械損毀。所以開展?jié)L動(dòng)軸承的故障診斷和預(yù)測(cè)研究尤為重要,它對(duì)保障機(jī)械設(shè)備的長(zhǎng)期、穩(wěn)定運(yùn)行有著重要作用。通過對(duì)滾動(dòng)軸承信號(hào)進(jìn)行采集,特征提取,智能分析可以盡早發(fā)現(xiàn)或者預(yù)知滾動(dòng)軸承將要發(fā)生的故障,從而采取檢修或者更換等手段,避免由于滾動(dòng)軸承故障而引發(fā)一系列重大的生產(chǎn)安全事故和不必要的經(jīng)濟(jì)損失。為了更好地辨識(shí)滾動(dòng)軸承輕微故障,提高故障診斷的準(zhǔn)確率,本文將采用距離評(píng)估技術(shù)篩選的時(shí)域參數(shù)和頻域參數(shù)與IMF能量矩及基于EMD-SVD方法提取的特征相融合組成多域特征集以挖掘潛藏在動(dòng)態(tài)信號(hào)中的故障信息。在已建立多域特征集的基礎(chǔ)上運(yùn)用高斯核函數(shù)支持向量機(jī)對(duì)滾動(dòng)軸承進(jìn)行故障診斷。實(shí)驗(yàn)數(shù)據(jù)分析表明,采用多域特征集方法對(duì)滾動(dòng)軸承進(jìn)行故障診斷的診斷正確率高達(dá)98.75%,高于采用任一單特征的故障診斷正確率。此外,本文也分析了單特征對(duì)滾動(dòng)軸承不同故障的敏感性。在實(shí)際的工業(yè)應(yīng)用場(chǎng)合,滾動(dòng)軸承正常樣本的數(shù)量遠(yuǎn)遠(yuǎn)多于故障樣本的數(shù)量,樣本不平衡會(huì)導(dǎo)致支持向量機(jī)的分類超平面發(fā)生... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：130 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

技術(shù)路線圖

圖２．１滾動(dòng)軸承結(jié)構(gòu)圖??

圖２．４??可以看出降噪后的波形更加平滑，并且與原波形相似度較高，尤其對(duì)于故障工況??下的軸承降噪后的信號(hào)密集度降低，沖擊過程更加明顯，緩解了噪聲對(duì)信號(hào)的影??響

【參考文獻(xiàn)】：
期刊論文
[1]基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障信號(hào)診斷[J]. 任君蘭.  內(nèi)燃機(jī)與配件. 2019(02)
[2]改進(jìn)粒子群算法優(yōu)化的支持向量機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 呂明珠,蘇曉明,陳長(zhǎng)征,劉世勛.  機(jī)械與電子. 2019(01)
[3]基于改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷[J]. 張遠(yuǎn)緒,程換新,宋生建.  工業(yè)儀表與自動(dòng)化裝置. 2018(06)
[4]基于IITD和FCM聚類的滾動(dòng)軸承故障診斷[J]. 向玲,郭鵬飛,高楠,張力佳.  航空動(dòng)力學(xué)報(bào). 2018(10)
[5]基于最小二乘支持向量機(jī)的礦用膠帶機(jī)滾動(dòng)軸承故障識(shí)別[J]. 徐其祥.  煤礦開采. 2018(05)
[6]基于改進(jìn)多尺度模糊熵的滾動(dòng)軸承故障診斷方法[J]. 鄭近德,代俊習(xí),朱小龍,潘海洋,潘紫微.  振動(dòng).測(cè)試與診斷. 2018(05)
[7]LMD支持向量機(jī)電機(jī)軸承故障診斷研究[J]. 尹召杰,許同樂,鄭店坤.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(05)
[8]基于多尺度排列熵和支持向量機(jī)的軸承故障診斷[J]. 瞿金秀,石長(zhǎng)全,丁鋒,王文娟.  煤礦機(jī)械. 2018(09)
[9]基于征兆驅(qū)動(dòng)和專家推理的水電機(jī)組軸承狀態(tài)分析[J]. 唐磊,陳啟卷,王衛(wèi)玉,洪禮聰.  水電能源科學(xué). 2018(05)
[10]支持向量機(jī)模型與應(yīng)用綜述[J]. 劉方園,王水花,張煜東.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(04)

博士論文
[1]滾動(dòng)軸承故障特征提取與診斷方法研究[D]. 鄧飛躍.華北電力大學(xué)(北京) 2016
[2]列車滾動(dòng)軸承振動(dòng)信號(hào)的特征提取及診斷方法研究[D]. 熊慶.西南交通大學(xué) 2015
[3]基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測(cè)方法研究[D]. 朱霄珣.華北電力大學(xué) 2013
[4]基于優(yōu)化支持向量機(jī)的空間滾動(dòng)軸承壽命預(yù)測(cè)方法研究[D]. 董紹江.重慶大學(xué) 2012
[5]基于自適應(yīng)振動(dòng)信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷研究[D]. 張超.西安電子科技大學(xué) 2012
[6]兩類組合預(yù)測(cè)方法的研究及應(yīng)用[D]. 李彩虹.蘭州大學(xué) 2012
[7]基于核方法的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)與模式分析方法研究[D]. 蔣玲莉.中南大學(xué) 2010
[8]基于循環(huán)平穩(wěn)信號(hào)處理的滾動(dòng)軸承故障診斷方法研究[D]. 周福昌.上海交通大學(xué) 2006

碩士論文
[1]基于改進(jìn)EMD的電機(jī)軸承故障診斷方法研究[D]. 楊寧.東北石油大學(xué) 2018
[2]基于自適應(yīng)增量LLE和SVM的滾動(dòng)軸承健康狀態(tài)評(píng)估方法研究[D]. 馬丹陽(yáng).哈爾濱理工大學(xué) 2017
[3]結(jié)合異常檢測(cè)算法的軸承故障檢測(cè)研究[D]. 林超.浙江大學(xué) 2017
[4]基于灰色系統(tǒng)理論的顯微纖維邊緣檢測(cè)系統(tǒng)研制[D]. 石梓霖.東華大學(xué) 2017
[5]基于小波優(yōu)化的灰色BP神經(jīng)網(wǎng)絡(luò)在深基坑變形預(yù)測(cè)中的應(yīng)用[D]. 付博.東華理工大學(xué) 2016
[6]基于振動(dòng)監(jiān)測(cè)的風(fēng)電機(jī)組滾動(dòng)軸承故障診斷應(yīng)用研究[D]. 王騰超.燕山大學(xué) 2016
[7]基于改進(jìn)HHT與SVM的滾動(dòng)軸承故障診斷方法研究[D]. 王德麗.北京交通大學(xué) 2016
[8]基于振動(dòng)信號(hào)處理的電機(jī)軸承故障診斷方法研究[D]. 張洋.遼寧科技大學(xué) 2016
[9]基于人工神經(jīng)網(wǎng)絡(luò)的手寫字母識(shí)別研究[D]. 闕為濤.天津大學(xué) 2016
[10]基于符號(hào)化時(shí)間序列分析的軸承故障診斷方法研究[D]. 胡世杰.東南大學(xué) 2015



本文編號(hào)：3548925