基于LR和SVDD的滚动轴承故障识别方法研究

发布时间：2018-10-31 06:37

【摘要】：滚动轴承在机械设备中广泛应用并且占有重要位置。机械设备中的很多故障均与滚动轴承的运行状况有着密切联系,在旋转机械设备的故障有很大比例是由轴承的失效造成的,所以合理的进行滚动轴承故障诊断有着重要的实际意义。本论文中采用逻辑回归和支持向量数据描述进行滚动轴承故障状态识别,首先利用局部均值分解和逻辑回归建立模型进行滚动轴承故障类型识别,主要是确定内圈故障或外圈故障,然后针对某一种故障类型进行由轻微到严重状态的不同损伤过程识别,主要采用局部均值分解和支持向量数据描述建立的模型进行滚动轴承损伤程度的识别。局部均值分解是一种适合非线性、不稳定的滚动轴承故障振动信号的自适应时频分析方法。本文将局部均值分解方法应用到对滚动轴承故障振动信号处理和分析中,然后进行选取特征值,采用遗传算法进行逻辑回归模型的参数优化,得到逻辑回归模型并进行滚动轴承故障类型识别。根据局部均值分解处理后的振动信号选取适合支持向量数据描述模型的特征,完成支持向量数据描述模型的建立并针对某一滚动轴承故障类型的损伤程度进行识别。通过滚动轴承故障数据验证表明,该方法能够进行滚动轴承的故障类型及损伤程度的识别。
[Abstract]:......
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TH165.3

【参考文献】

相关期刊论文 前10条

1 迟冬南;徐丽娜;栗晓云;;基于逻辑回归的匹配滤波器设计方法[J];计算机测量与控制;2016年03期

2 LI Min;YANG Jianhong;WANG Xiaojing;;Fault Feature Extraction of Rolling Bearing Based on an Improved Cyclical Spectrum Density Method[J];Chinese Journal of Mechanical Engineering;2015年06期

3 文成玉;董良;金欣;;Feature Extraction of Bearing Vibration Signals Using Second Generation Wavelet and Spline-Based Local Mean Decomposition[J];Journal of Shanghai Jiaotong University(Science);2015年01期

4 GAO Huizhong;LIANG Lin;CHEN Xiaoguang;XU Guanghua;;Feature Extraction and Recognition for Rolling Element Bearing Fault Utilizing Short-Time Fourier Transform and Non-negative Matrix Factorization[J];Chinese Journal of Mechanical Engineering;2015年01期

5 张铭钧;吴娟;褚振忠;;Multi-Fault Diagnosis for Autonomous Underwater Vehicle Based on Fuzzy Weighted Support Vector Domain Description[J];China Ocean Engineering;2014年05期

6 毛毅;陈稳霖;郭宝龙;陈一昕;;基于密度估计的逻辑回归模型[J];自动化学报;2014年01期

7 何正嘉;曹宏瑞;訾艳阳;李兵;;机械设备运行可靠性评估的发展与思考[J];机械工程学报;2014年02期

8 王涛;李艾华;王旭平;蔡艳平;;基于SVDD与距离测度的齿轮泵故障诊断方法研究[J];振动与冲击;2013年11期

9 张淑清;孙国秀;李亮;李新新;监雄;;基于LMD近似熵和FCM聚类的机械故障诊断研究[J];仪器仪表学报;2013年03期

10 崔春英;段礼祥;张来斌;;基于LMD和FCM的滚动轴承故障诊断方法[J];科学技术与工程;2013年07期

相关博士学位论文 前2条

1 赵志宏;基于振动信号的机械故障特征提取与诊断研究[D];北京交通大学;2012年

2 谷方明;支持向量数据描述的若干问题及应用研究[D];吉林大学;2010年

相关硕士学位论文 前10条

1 叶慧;基于小波与多核支持向量机的无人机传感器故障诊断系统研究[D];南京航空航天大学;2014年

2 谢磊;轴承振动分析与寿命评估方法研究[D];电子科技大学;2013年

3 陈琼;基于信号处理的模式识别方法在滚动轴承故障诊断中的应用[D];北京化工大学;2011年

4 钟鑫;基于逻辑回归和高斯混合模型的设备故障诊断技术研究与应用[D];北京化工大学;2010年

5 于婷婷;基于BP神经网络的滚动轴承故障诊断方法[D];大连理工大学;2008年

6 杨晋朝;基于遗传算法的液体火箭发动机故障检测与诊断研究[D];国防科学技术大学;2008年

7 段侯峰;基于遗传算法优化BP神经网络的变压器故障诊断[D];北京交通大学;2008年

8 邓禹;适于轴承故障诊断模型与降噪方法的研究[D];电子科技大学;2008年

9 雷金波;基于逻辑回归和支持向量机的设备状态退化评估与趋势预测研究[D];上海交通大学;2008年

10 李自国;基于支持向量数据描述的故障诊断方法研究[D];郑州大学;2007年

，

本文编号：2301260