基于RVM的滚动轴承故障诊断方法研究

发布时间：2017-10-10 19:22

  本文关键词：基于RVM的滚动轴承故障诊断方法研究

  更多相关文章： 滚动轴承 故障诊断 相关向量机 谐波小波包

【摘要】：滚动轴承是一种相对滚动摩擦的精密元件，也是运转机械设备的关键易损部件。因多种原因的作用和影响，造成了该部件的易损性远高于其他部件。所以，在被广泛应用的同时，因其故障对机械设备所造成的负面影响及重大经济损失也不可小觑。因此，采取有效的诊断方法及时维护排除运行故障，已经成为当今滚动轴承的重点研究工作之一。 本文总结滚动轴承不同故障的振动原理及其特征，研究相关向量机基本理论，讨论核函数的关键作用，设计了相关向量机的智能诊断方法。针对滚动轴承的正常、内圈故障、外圈故障和滚动体故障四种状态：首先，，通过谐波小波包分解故障数据，利用各频段的小波分解系数计算特征能量，将其作为特征向量；其次，针对传统高斯核函数进行优化，在距离测试点无限远时改进型核函数仍保持一定的衰减，并与K邻域算法结合，提高了相关向量机的模式识别效率。第三，考虑多故障识别问题，将RVM与“决策树”方法结合构造DT-RVM模型，并细化识别过程，把容易分类的模式放在前面进行识别，提高分类效果。最后，改进投票机制，引入分支理论，构造“一对一”新算法，将其与RVM相结合构造多模式判别模型，实现了故障识别分类。利用美国西储大学滚动轴承试验台数据验证了不同诊断方法的实际性能。结果表明：与SVM相比，相关向量个数较少，同时诊断精度较高。同样应用RVM作为分类器，与其他多模式识别方法相比，本文提出的方法不同程度降低了故障识别的错误率，并减少了诊断所需时间。
【关键词】：滚动轴承 故障诊断 相关向量机 谐波小波包
【学位授予单位】：沈阳航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要6-7
• Abstract7-12
• 主要符号表12-13
• 第1章 绪论13-19
• 1.1 课题背景及研究意义13-14
• 1.2 滚动轴承诊断国内外的研究现状及发展趋势14-17
• 1.2.1 研究现状14-16
• 1.2.2 发展趋势16-17
• 1.3 论文内容及安排17-19
• 1.3.1 主要研究内容17
• 1.3.2 章节安排17-19
• 第2章 滚动轴承振动机理及特征分析19-28
• 2.1 概述19
• 2.2 滚动轴承的基本结构及失效形式19-22
• 2.2.1 滚动轴承的基本结构19-21
• 2.2.2 滚动轴承的失效形式21-22
• 2.3 滚动轴承的振动22-25
• 2.3.1 滚动轴承振动机理22-24
• 2.3.2 滚动轴承振动类型24-25
• 2.4 滚动轴承的振动频率25-27
• 2.4.1 滚动轴承的故障特征频率25-26
• 2.4.2 滚动轴承的固有频率26-27
• 2.5 本章小结27-28
• 第3章 相关向量机及核函数28-46
• 3.1 相关向量机基本理论28-29
• 3.1.1 贝叶斯理论28
• 3.1.2 贝叶斯学习28-29
• 3.1.3 贝叶斯公式29
• 3.2 相关向量机的基本原理29-34
• 3.2.1 相关向量机回归模型29-33
• 3.2.2 相关向量机分类模型33-34
• 3.3 相关向量机的核函数34-37
• 3.3.1 核函数的基本性质34-35
• 3.3.2 核函数的分类35-36
• 3.3.3 高斯核函数36-37
• 3.4 改进高斯核函数37-40
• 3.4.1 改进高斯核函数37-38
• 3.4.2 改进高斯核函数性能38-40
• 3.5 基于 KNN 和 RVM 诊断识别方法40-41
• 3.5.1 KNN 基本理论40
• 3.5.2 结合 KNN 和 RVM 的描述40-41
• 3.6 仿真实验41-45
• 3.6.1 改进高斯核函数验证实验41-43
• 3.6.2 基于 KNN 和 RVM 验证实验43-45
• 3.7 本章小结45-46
• 第4章 基于谐波小波包和 DT-RVM 的滚动轴承故障诊断算法46-57
• 4.1 前言46
• 4.2 谐波小波包理论46-50
• 4.2.1 谐波小波包原理46-48
• 4.2.2 谐波小波提取滚动轴承故障的特征48-50
• 4.3 基于 DT-RVM 多分类器50-53
• 4.3.1 基于决策树的 RVM 多分类模型50-52
• 4.3.2 滚动轴承诊断模型图52-53
• 4.4 仿真实验53-56
• 4.5 本章小结56-57
• 第5章 基于谐波小波包和 OAO-RVM 的滚动轴承故障诊断算法57-69
• 5.1 引言57
• 5.2 基于 RVM 多类分类方法57-62
• 5.2.1 一对多（One Against Rest, OAR）分类方法57-59
• 5.2.2 一对一(One Against One, OAO)分类方法59-60
• 5.2.3 有向无环图(Direct Acyclic Graph，DAG)分类方法60-62
• 5.3 改进一对一分类算法62-64
• 5.3.1 改进一对一算法的模型62-63
• 5.3.2 理论分析63-64
• 5.4 仿真实验64-68
• 5.5 本章小结68-69
• 结论69-71
• 参考文献71-74
• 致谢74-75
• 攻读硕士期间发表（含录用）的学术论文75

【参考文献】

中国期刊全文数据库 前10条

1 王晓锋;;一种改进的有向无环图支持向量机分类算法[J];重庆交通大学学报(自然科学版);2009年05期

2 李中原;韩捷;李志农;;双谱分析及其在滚动轴承故障诊断中的应用[J];中国工程机械学报;2005年03期

3 杨青;王栗;刘_g诚;刘念;;FICA-IPNN集合型滚动轴承故障诊断方法[J];电机与控制学报;2014年03期

4 孙林;杨世元;;基于SVM“一对一”聚类结构的滚动轴承状态诊断[J];合肥工业大学学报(自然科学版);2009年01期

5 张小云,刘允才;高斯核支撑向量机的性能分析[J];计算机工程;2003年08期

6 杨柳;张磊;张少勋;刘建伟;;单核和多核相关向量机的比较研究[J];计算机工程;2010年12期

7 刘应东;牛惠民;;基于k-最近邻图的小样本KNN分类算法[J];计算机工程;2011年09期

8 杨树仁;沈洪远;;基于相关向量机的机器学习算法研究与应用[J];计算技术与自动化;2010年01期

9 李舜酩;谐波小波包方法及其对转子亚频轴心轨迹的提取[J];机械工程学报;2004年09期

10 张磊;刘建伟;罗雄麟;;基于KNN和RVM的分类方法——KNN-RVM分类器[J];模式识别与人工智能;2010年03期

中国博士学位论文全文数据库 前1条

1 苏文胜;滚动轴承振动信号处理及特征提取方法研究[D];大连理工大学;2010年

本文编号：1008147