基于IFD与SVM的滚动轴承故障诊断方法研究

发布时间：2017-10-31 16:30

  本文关键词：基于IFD与SVM的滚动轴承故障诊断方法研究

  更多相关文章： 本征频率尺度分解 支持向量机机 最小二乘法支持向量机 滚动轴承 故障诊断

【摘要】：近年来,我国科学技术水平与日俱增,机械化应用范围愈来愈广,自动化、数字化、信息化程度在新型工业化的推动下更是有了巨大发展,并有向智能化发展的趋势。这一现象,极大的推动了社会和经济的快速发展。但是在这一良好的发展背景下,工厂在生产过程中因为机械因为局部故障造成的非机械停机的情况也是时有发生,这不仅会致使生产效益得不到保证,还会造成巨大的经济损失,甚者还会造成安全事故。剖析以往的事故经验不难得出,在整体旋转机械设备中,滚动轴承的应用最为广泛,同时也是最容易损坏的元件之一,旋转机械的很多故障都与之有关,滚动轴承的工作状态是否稳定,会直接影响到整体机械的性能。因此,对其进行正确的状态监测和诊断,在设备优化管理方面以及设备的预知维护修理方面都具有非常重大的意义。诊断滚动轴承故障的实质内容可以概括为信号的分析技术和在发生故障时的识别过程。针对在故障初始阶段中,滚动轴承的微弱故障信息很难掌握、故障类型的识别率不高的问题,本文提出一种在本征频率尺度分解(Intrinsic Frequency-scale Decomposition, IFD)的基础上与最小二乘支持向量机(Least Squares-Support Vector Machine,LS-SVM)以及支持向量机机(Support Vector Machine,SVM)相结合的智能诊断滚动轴承故障的方法,这个方法可以依据滚动轴承自身的振动信号特点,能够对初期故障的微弱特征进行有效提取,并据对故障类型进行高准确度的识别。论文的主要内容如下：1)局部均值分解方法(Local Mean Decomposition. LMD)是一种新型的时频分析方法,本文针对该方法进行了算法原理分析和算法计算过程的仿真分析工作,其中对局部均值分解方法中涉及的展开瞬时相位和求解瞬时频率的方法进行了重点研究和分析,并在滚动轴承故障特征提取工作中进行了应用。此外在应用过程中为了解决LMD方法存在的模式混淆问题,提出本征频率尺度分解(IFD)方法；并通过仿真对比,研究和分析了LMD方法与IFD方法的应用效果。2)针对滚动轴承早期微弱故障信息难以提取、故障类型识别率低的难题,本文提出了一种新的滚动轴承故障诊断方法。该方法以神经网络为理论基础,通过SVM建立滚动轴承故障识别模型,并选取IFD方法作为提取滚动轴承峭度系数和能量特征值等参数的预处理器,最后将提取的参数输入故障识别模型中进行故障分类识别。理论分析之后,本文还对该方法进行了实例应用,结果表明本方法能够有效识别处滚动轴承故障并具有较高的实用性。3)此外,本文还将IFD和最小二乘支持向量机理论相结合,提出了一种新型的滚动轴承故障诊断方法；其中依靠IFD方法提取滚动轴承故障特征,根据所得数据构建特征向量；通过本方法可以完成滚动轴承工作状态和出现故障类型的自动识别和分类。理论分析之后,本文还对该方法进行了实例应用,结果表明本方法能够有效识别处滚动轴承故障并具有较高的实用性；从一个新的角度实现了滚动轴承故障的智能识别。
【关键词】：本征频率尺度分解 支持向量机机 最小二乘法支持向量机 滚动轴承 故障诊断
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-18
• 1.1 论文背景与研究意义11-12
• 1.2 轴承故障智能诊断方法的国内外研究进展与发展趋势12-16
• 1.2.1 国外研究进展与现状12-13
• 1.2.2 国内研究进展与现状13-14
• 1.2.3 滚动轴承的发展趋势14-15
• 1.2.4 现有诊断技术的局限性15-16
• 1.3 论文主要工作及内容安排16-17
• 1.3.1 论文的研究思路16
• 1.3.2 论文的内容安排16-17
• 1.4 本章小结17-18
• 第二章 滚动轴承的振动机理及信号特点18-28
• 2.1 滚动轴承结构及载荷特点18-20
• 2.1.1 滚动轴承的基本结构18
• 2.1.2 滚动轴承的载荷特点18-20
• 2.2 滚动轴承的失效形式及原因20-21
• 2.3 滚动轴承的振动机理21-23
• 2.4 滚动轴承的振动信号特征23-24
• 2.5 滚动轴承的振动信号频率计算24-25
• 2.6 轴承元件的固有振动频率计算25
• 2.7 滚动轴承故障时的振动特性25-27
• 2.8 本章小结27-28
• 第三章 局部均值分解时频分析方法28-47
• 3.1 局部均值分解概述28
• 3.2 LMD时频分析方法28-36
• 3.2.1 LMD分解原理及算法计算过程28-32
• 3.2.2 局部均值分解方法计算实例32-33
• 3.2.3 直接法求取瞬时频率33-36
• 3.3 LMD时频分析方法的仿真应用36-40
• 3.4 基于LMD方法的滚动轴承故障诊断40-42
• 3.5 本征频率尺度分解(IFD)42-45
• 3.5.1 IFD方法43-44
• 3.5.2 LMD与IFD分解仿真对比研究44-45
• 3.6 本章小结45-47
• 第四章 基于IFD和支持向量机的滚动轴承故障诊断47-57
• 4.1 支持向量机概述47
• 4.2 支持向量机的特点47-48
• 4.3 支持向量机理论48-52
• 4.3.1 支持向量机基本理论48-50
• 4.3.2 核函数的选择及其影响分析50
• 4.3.3 SVM分类器构建方法分析50-52
• 4.4 基于IFD和支持向量机的滚动轴承故障分类方法分析52-56
• 4.4.1 IFD分解53
• 4.4.2 构建特征向量53-54
• 4.4.3 基于SVM的滚动轴承故障分类54-55
• 4.4.4 分类模型的测试和分析55-56
• 4.5 本章小结56-57
• 第五章 基于IFD和最小二乘支持向量机的滚动轴承故障诊断57-63
• 5.1 最小二乘支持向量机的分类原理57-59
• 5.2 多分类的支持向量机59-61
• 5.2.1 一对多分类算法59-60
• 5.2.2 一对一分类算法60-61
• 5.3 基于IFD与最小二乘支持向量机的滚动轴承故障诊断61-62
• 5.4 实例分析62
• 5.5 本章小结62-63
• 第六章 结论与展望63-65
• 6.1 结论63-64
• 6.2 展望64-65
• 致谢65-66
• 参考文献66-71
• 附录A (攻读硕士期间发表学术成果)71

【相似文献】

中国期刊全文数据库 前10条

1 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

2 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

3 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

4 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

5 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

6 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

7 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

8 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

9 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

10 赵春华;严新平;赵新泽;袁成清;高虹亮;;滚动轴承故障的可拓物元诊断方法[J];润滑与密封;2006年04期

中国重要会议论文全文数据库 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

2 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

3 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

4 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

5 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

6 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

7 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

8 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

9 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012年

10 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年

中国硕士学位论文全文数据库 前10条

1 李男;基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2015年

2 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

3 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

4 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

5 冯春生;基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2015年

6 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年

7 宋耀文;基于振动信号分析的滚动轴承故障特征提取与诊断研究[D];中国矿业大学;2015年

8 韩一村;基于多传感器的滚动轴承故障检测研究[D];河南科技大学;2015年

9 王秀娟;基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D];电子科技大学;2014年

10 段永强;局部均值分解法在滚动轴承故障自动诊断中的应用研究[D];电子科技大学;2015年

，

本文编号：1122906