基于小波变换与PNN神经网络相结合的滚动轴承故障诊断

发布时间：2017-03-17 12:00

  本文关键词：基于小波变换与PNN神经网络相结合的滚动轴承故障诊断，由笔耕文化传播整理发布。

【摘要】：滚动轴承是应用最广泛的机械部件之一,也是最容易受到损坏的零件之一。随着现代工业和科学技术的发展进步,滚动轴承正朝着高速化、大型化发展。滚动轴承出现故障时,会使设备降低或失去功能,甚至导致整个设备无法正常工作,造成巨大的经济损失,严重时还会引起灾难性的事故。针对滚动轴承普遍存在寿命离散性大、故障占有比例高、故障种类繁多等问题,本文对实际工况中滚动轴承振动信号进行采集、监测、分析和处理以识别数据的故障特征,运用适当的数据分析方法和神经网络对轴承数据进行诊断,具有良好的经济效益和科学意义。本文以实验测取的滚动轴承振动信号为数据,在轴承振动特性、故障机理、故障信号特点的基础上,运用小波分析对振动信号进行处理。首先运用小波降噪对数据进行降噪处理,提高数据的信噪比,接着对已处理数据进行小波包分解得到各个小波包频带系数,并进行归一化处理,实现滚动轴承内圈、外圈以及滚动体故障振动信号的特征向量提取。以提取的特征向量为训练和验证样本,输入概率神经网络,达到滚动轴承故障状态识别的目的。研究结果表明,基于小波分析和概率神经网络的诊断方法能够有效地对滚动轴承进行检测、诊断。
【关键词】：滚动轴承 故障诊断 小波分析 概率神经网络
【学位授予单位】：河北工程大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 滚动轴承故障诊断背景10-11
• 1.2 滚动轴承故障诊断的内容11
• 1.3 滚动轴承故障诊断国内外研究现状11-14
• 1.3.1 基于信号分析的滚动轴承常规故障诊断12
• 1.3.2 基于知识推理的滚动轴承智能故障诊断12-14
• 1.3.3 基于神经网络的滚动轴承故障诊断14
• 1.4 制约轴承故障诊断技术发展的主要因素14-15
• 1.5 本论文各章节主要研究内容15-16
• 1.6 本章小结16-17
• 第2章 滚动轴承故障理论分析17-27
• 2.1 滚动轴承故障形式与原因17-18
• 2.1.1 滚动轴承故障形式17-18
• 2.1.2 滚动轴承故障原因18
• 2.2 滚动轴承故障机理分析18-20
• 2.2.1 滚动轴承振动的基本参数18-19
• 2.2.2 滚动轴承的特征频率19-20
• 2.2.3 滚动轴承的固有振动频率20
• 2.3 滚动轴承的振动信号特征20-23
• 2.4 滚动轴承故障诊断的方法23-25
• 2.5 滚动轴承故障诊断的振动测量25-26
• 2.5.1 测点的选择25
• 2.5.2 传感器的选择与固定方式25-26
• 2.5.3 分析谱带的选择26
• 2.6 本章小结26-27
• 第3章 基于小波理论的滚动轴承振动信号预处理27-42
• 3.1 小波变换的数学基础27-28
• 3.2 小波包变换的数学基础28-29
• 3.3 信号去噪性能的评价标准29-30
• 3.4 小波降噪的数学基础30-32
• 3.4.1 噪声在小波分解下的特性31
• 3.4.2 小波降噪的步骤和方法31-32
• 3.5 小波降噪参数的选取32-35
• 3.5.1 小波降噪阈值的选择32-33
• 3.5.2 小波降噪函数的选择33-35
• 3.6 滚动轴承实测信号的验证35-40
• 3.7 本章小结40-42
• 第4章 基于概率神经网络的滚动轴承故障诊断42-55
• 4.1 神经网络简介42-43
• 4.2 神经网络的应用43-44
• 4.3 神经网络的学习方式44
• 4.4 神经网络的分类44-45
• 4.5 概率神经网络45-48
• 4.5.1 概率神经网络的理论基础46-47
• 4.5.2 概率神经网络的结构47-48
• 4.5.3 概率神经网络的特性48
• 4.6 概率神经网络在故障诊断中的应用48-51
• 4.7 基于概率神经网络的滚动轴承故障诊断51-54
• 4.8 本章小结54-55
• 第5章 基于小波理论与PNN网络相结合的滚动轴承故障诊断55-64
• 5.1 振动信号的降噪56-58
• 5.1.1 正常模式振动信号的降噪56-57
• 5.1.2 内圈故障振动信号的降噪57-58
• 5.2 降噪信号的小波包分解58-60
• 5.2.1 正常模式降噪信号的小波包分解58
• 5.2.2 内圈故障降噪信号的小波包分解58-60
• 5.3 小波包系数的归一化处理60-61
• 5.3.1 正常模式小波包系数的归一化60
• 5.3.2 内圈故障小波包系数的归一化60-61
• 5.4 概率神经网络的训练与故障模式的分类61-63
• 5.5 本章小结63-64
• 结论与展望64-66
• 致谢66-67
• 参考文献67-70
• 作者简介70
• 攻读硕士学位期间发表的论文70-71

【参考文献】

中国期刊全文数据库 前7条

1 姬东朝;宋笔锋;易华辉;;基于概率神经网络的设备故障诊断及仿真分析[J];火力与指挥控制;2009年01期

2 熊联欢,胡汉平,李德华,皮明红;香农正交小波变换的FFT实现[J];华中理工大学学报;1998年08期

3 钟飞;郑晓斌;史铁林;谭中军;;基于小波神经网络的轴承未知异常诊断[J];河南科技大学学报(自然科学版);2007年04期

4 付芹;谷立臣;;PNN在旋转机械故障诊断中的应用[J];煤矿机械;2009年11期

5 王敬涛;邓东花;;基于概率神经网络的滚动轴承故障诊断[J];现代电子技术;2010年20期

6 程耕国,周凤星;一种高速轧机故障检测系统[J];武汉科技大学学报(自然科学版);2002年01期

7 侯国莲,孙晓刚,张建华,金慰刚;基于非线性主元分析和概率神经网络的凝汽器故障诊断方法研究[J];中国电机工程学报;2005年18期

中国博士学位论文全文数据库 前1条

1 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

中国硕士学位论文全文数据库 前5条

1 王秋勤;基于概率神经网络的发动机故障诊断研究[D];西南林业大学;2010年

2 孔亚林;基于振动信号的滚动轴承故障诊断方法研究[D];大连理工大学;2006年

3 高红斌;基于静动力学的滚动轴承故障模型分析及物理模拟[D];太原理工大学;2006年

4 楼军伟;滚动轴承故障特征信息提取及SVM智能识别研究[D];兰州理工大学;2013年

5 廖星智;基于振动特征提取的滚动轴承故障诊断方法研究[D];昆明理工大学;2014年

  本文关键词：基于小波变换与PNN神经网络相结合的滚动轴承故障诊断，，由笔耕文化传播整理发布。

本文编号：252823