基于二次SVD和VPMCD的滚动轴承故障智能诊断方法研究

发布时间：2017-11-07 12:07

本文关键词：基于二次SVD和VPMCD的滚动轴承故障智能诊断方法研究

【摘要】：近年来,我国科技水平突飞猛进,伴随着新型工业化进程,大规模机械化应用日益普及,自动化、信息化程度越来越高,并已趋于智能化,有力地推动了经济和社会的飞速发展。然而,机械在工业生产和应用中的非计划停机或局部故障会直接导致生产效益受损和巨额经济损失,甚至造成安全事故。滚动轴承作为旋转机械设备中的关键性部件,它的运行状态往往直接影响整机的性能。因此,对其运行状态进行监测和诊断具有十分重要的意义。滚动轴承故障诊断的实质可归结为信号的特征提取与故障识别过程。本文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问题,提出了基于二次奇异值分解(Singular value decomposition,SV D)和变量预测模型模式识别(Variable predictive model based class discriminate,VPMCD)的轴承故障智能诊断方法,该方法能自适应根据滚动轴承振动信号的自身特点,提取出微弱的故障特征,进行故障识别。论文的主要研究内容如下：(1)研究了SVD方法在信号处理中的应用机理,提出了基于二次SVD的信号处理方法。该方法能够有效解决SVD对不同信号分解得到的有效奇异值个数不同,而影响故障识别准确性的难题,并结合能量矩在特征提取中的优势,成功将该方法应用于实际轴承早期微弱故障信息的特征提取,实验结果证明该方法准确有效。此外,二次SVD方法采用奇异值贡献率方法,根据故障信号自身特点,自适应构造Hankel矩阵维数,大大减少了SVD处理大型矩阵的计算时间,为实现轴承故障在线监测与诊断提供了技术基础。同时,该方法利用奇异值曲率谱方法自动选择有效奇异值,使得二次SVD方法进一步弱化了经验知识与限定条件,处理方法更加智能化。(2)、PMCD是一种新型的模式识别方法,本文采用VPMCD建立故障识别模型,该模型利用故障特征征值之间的相互内在关系,针对不同的故障类别获得不同的故障识别模型,采用这些故障识别模型对被测样本的特征值进行预测,把预测结果作为故障识别依据。因此,该模型非常适合于处理非线性多模式故障识别问题,而且其本质是参数识别的过程,避免了人工神经网络(Artificial neuralnetworks, ANNs)的迭代和支持向量机(Support vector machine,SVM)的寻优过程,大大减少了计算量和训练时间,提高了算法的运算效率。(3)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问题,本文将基于二次SVD和VPMCD的轴承故障智能诊断方法应用到实际滚动轴承局部微弱故障状态下的故障诊断,证明了该方法的可行性和有效性,实现了信号处理到模式识别的全智能化。此外,将本文方法与近年来在轴承故障诊断中比较有代表性的方法进行对比分析(分别从特征提取和模式识别两方面进行对比分析),验证了本文所提方法的优越性。同时,凸显出该方法在轴承故障诊断中准确率高、算法运行快等优势,为实现滚动轴承故障在线智能诊断提供了一个有效新途径。
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33;TH165.3

【参考文献】

中国期刊全文数据库前7条

1 赵学智;叶邦彦;陈统坚;;基于奇异值曲率谱的有效奇异值选择[J];华南理工大学学报(自然科学版);2010年06期

2 ;Boundary-processing-technique in EMD method and Hilbert transform[J];Chinese Science Bulletin;2001年11期

3 赵学智;叶邦彦;陈统坚;;多分辨奇异值分解理论及其在信号处理和故障诊断中的应用[J];机械工程学报;2010年20期

4 凌国民;SVD及其在谱分析中的应用[J];声学与电子工程;1986年01期

5 廖传军;李学军;刘德顺;;STFT在AE信号特征提取中的应用[J];仪器仪表学报;2008年09期

6 蒋永华;汤宝平;董绍江;;自适应Morlet小波降噪方法及在轴承故障特征提取中的应用[J];仪器仪表学报;2010年12期

7 程军圣;马兴伟;杨宇;;基于排列熵和VPMCD的滚动轴承故障诊断方法[J];振动与冲击;2014年11期

中国硕士学位论文全文数据库前2条

1 杨立龙;基于谱峭度和EMD的滚动轴承早期故障检测与诊断增强[D];哈尔滨工业大学;2009年

2 李杰;基于LCD和VPMCD的滚动轴承故障诊断方法[D];湖南大学;2013年