基于条件局部均值分解与变量预测模型的滚动轴承故障诊断方法研究

发布时间：2017-03-16 06:04

  本文关键词：基于条件局部均值分解与变量预测模型的滚动轴承故障诊断方法研究，，由笔耕文化传播整理发布。

【摘要】：随着科学技术的进步,新型工业化的发展,大量机械设备应用于工业生产,推动经济和社会的发展。滚动轴承作为典型的旋转机械,是机械设备中的重要部件之一,它的运行状态直接影响整个机械设备的正常运行。因此,为避免滚动轴承故障而导致机械设备的无法正常运行,很有必要对其运行状态进行检测和故障诊断。滚动轴承发生故障时,其振动信号表现出明显的非线性、非平稳性,包含大量的故障信息,如何采取有效的方法提取振动信号中突出故障特征的分量一直是故障诊断领域的研究热点。本文针对提取滚动轴承故障信息精度低、故障识别效率低的问题,提出了基于条件局部均值分解(Conditional local mean decomposition, CLMD)与变量预测模型模式识别(Variable predictive model based class discriminate, VPMCD)的轴承故障诊断方法。该方法能够有效地从滚动轴承振动信号中提取故障特征分量,从而构建故障特征向量；最终实现滚动轴承故障类型的有效识别。本文的主要研究内容如下：(1)研究了局部均值分解(Local mean decomposition, LMD)时频分析算法在非线性、非平稳信号处理中的原理及Hilbert变换在信号分析中的应用,提出了CLMD方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,有效解决了LMD分解非连续的非线性、非平稳信号过程中存在的模态混淆现象,从而影响识别效率的问题,并通过仿真信号验证了该方法的特性。此外,频率分辨率方法减少了LMD在分解非连续的非线性、非平稳信号的计算量,减少了分解时间,提高了分解效率。(2) VPMCD是一种多变量预测模型的模式识别方法,该方法很好地解决了非线性分类的问题。该方法适用于将系统划分为不同类别的特征参数之间具有某种一定的相互内在关系,且这种内在关系在不同类别之间具有明显的差别；同一类别的各个特征值可以通过样本训练得到相应的数学关系模型,即变量预测模型(Variable predictive model, VPM),从而可以通过这些VPM对测试样本的各个特征参数进行预测,以各个特征参数预测误差的平方和最小为判别函数,对测试样本进行类型识别。该方法有效避免了BP神经网络易陷入局部最优的缺点和支持向量机(Support vector machine, S VM)的寻优过程,减少了计算量和训练时间,提高了识别的效率。(3)针对滚动轴承故障诊断过程中存在的故障信息提取精度低、故障类型识别效率低的问题,本文提出了基于CLMD和VPMCD的滚动轴承故障诊断方法,并将该方法应用到实际滚动轴承故障识别,应用结果证明该方法是可行、有效的。此外,本文从信号处理和模式识别两方面出发,将本文的方法与近年来有代表性的滚动轴承故障诊断方法进行了对比分析。对比结果表明,本文提出的方法具有运行速度快、故障诊断精度高的优点,在滚动轴承故障诊断领域具有广泛的应用前景,为实现旋转机械故障诊断提供了一个有效的新途径。
【关键词】：局部均值分解 条件局部均值分解 滚动轴承 变量预测模型 Hilbert变换
【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
• ABSTRACT7-14
• 第一章 绪论14-24
• 1.1 选题背景及研究意义14-15
• 1.2 滚动轴承故障诊断研究现状及发展趋势15-20
• 1.2.1 国外研究现状16-17
• 1.2.2 国内研究现状17-18
• 1.2.3 传统故障诊断方法的局限性及发展趋势18-20
• 1.3 本文的主要研究内容20-23
• 1.3.1 本文的研究思路20-21
• 1.3.2 本文章节研究内容的安排21-22
• 1.3.3 本文的创新点22-23
• 1.4 本章小结23-24
• 第二章 局部均值分解时频分析的应用研究24-38
• 2.1 引言24-25
• 2.2 经验模态分解方法25-28
• 2.2.1 经验模态分解方法概述25-26
• 2.2.2 本征模态函数26
• 2.2.3 EMD的分解原理26-28
• 2.3 Hilbert变换28
• 2.4 局部均值分解方法28-33
• 2.4.1 局部均值分解方法概述28-29
• 2.4.2 局部均值分解方法的基本原理29-33
• 2.5 LMD方法与EMD方法的比较33
• 2.6 LMD方法的仿真33-37
• 2.7 本章小结37-38
• 第三章 条件局部均值分解时频分析的应用研究38-44
• 3.1 引言38
• 3.2 CLMD方法38-39
• 3.3 CLMD方法与LMD方法的对比研究分析39-43
• 3.4 本章小结43-44
• 第四章 基于条件局部均值分解与变量预测模型的滚动轴承故障诊断44-68
• 4.1 引言44-45
• 4.2 滚动轴承概述45-50
• 4.2.1 滚动轴承故障分析45-48
• 4.2.2 滚动轴承振动机理48-49
• 4.2.3 滚动轴承故障诊断系统49-50
• 4.3 VPMCD方法50-52
• 4.4 基于CLMD与VPMCD的滚动轴承故障诊断52-58
• 4.4.1 故障诊断流程52-53
• 4.4.2 数据采集53-54
• 4.4.3 故障特征提取54-56
• 4.4.4 变量预测模型的模型建立和故障模式识别56-58
• 4.5 BP神经网络58-62
• 4.5.1 BP神经网络结构58-60
• 4.5.2 BP网络学习算法60-61
• 4.5.3 BP神经网络的设计61-62
• 4.6 最小二乘支持向量机62-63
• 4.6.1 支持向量机62
• 4.6.2 支持向量机的特点62-63
• 4.7 对比实验分析63-65
• 4.8 本章小结65-68
• 第五章 总结与展望68-70
• 5.1 开展的研究工作68-69
• 5.2 进一步工作展望69-70
• 致谢70-72
• 参考文献72-78
• 附录78-79

【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

  本文关键词：基于条件局部均值分解与变量预测模型的滚动轴承故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：251390