基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究

发布时间：2017-03-22 10:11

  本文关键词：基于EEMD和最小二乘支持向量机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】：滚动轴承是现代工业设备中最常用的机械零件,也是最易发生故障的零部件。滚动轴承是否正常运行对旋转机械可靠性、寿命以及精度产生很大影响,因此滚动轴承的故障诊断方法研究对于保证机械设备平稳、安全运行具有重要的意义。本文运用改进相似极值延拓算法抑制EMD分解的端点效应,在原有算法的基础上增加了端点处是否为极值点的判断,并通过仿真实验验证了该算法可以很好地抑制EMD端点效应问题。针对EMD分解模态混叠问题,本文引入了EEMD算法消除模态混叠的影响,仿真实验结果表明,算法可以有效抑制模态混叠现象的发生,提高了EMD算法的分解精度。本文提出了一种EEMD和谱峭度相结合的滚动故障特征提取方法,该方法通过运用白噪声幅值标准差准则来确定EEMD算法的参数,并结合谱峭度和相关系数法筛选出有效IMF分量进行信号重构,最后以包络谱分析结果诊断轴承故障。采用滚动轴承的典型故障信号进行分析验证,并与通用EEMD算法分析结果进行实验对比,实验结果表明本文方法提高了滚动轴承故障特征提取的准确率。本文提出了一种EEMD能量熵和DE-LSSVM相结合的故障模式识别方法,该算法采用差分进化算法对LS-SVM模型进行参数寻优,并将优化后的DE-LSSVM模型运用于滚动轴承的故障模式识别。通过不同损伤程度的轴承内圈实例信号,验证了本文算法比LS-SVM和PSO-LSSVM算法具有训练耗时更短、故障识别率更高的优点,能够对滚动轴承的故障进行准确识别。
【关键词】：谱峭度 EEMD分解 最小二乘支持向量机 差分进化算法
【学位授予单位】：长春工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-14
• 1.1 课题研究背景与意义8
• 1.2 滚动轴承故障诊断技术的国内外发展现状8-10
• 1.2.1 国外发展现状8-9
• 1.2.2 国内发展现状9-10
• 1.3 滚动轴承故障诊断的关键问题研究10-12
• 1.3.1 故障特征提取方法的研究现状10-12
• 1.3.1.1 非自适应性分析方法10-11
• 1.3.1.2 自适应分析方法11-12
• 1.3.2 故障模式识别方法的研究现状12
• 1.4 本文的主要研究内容及结构安排12-14
• 第二章 滚动轴承故障机理研究14-24
• 2.1 引言14
• 2.2 滚动轴承典型结构及其故障类型14-16
• 2.2.1 滚动轴承的典型结构14-15
• 2.2.2 滚动轴承的故障类型15-16
• 2.3 滚动轴承的振动机理及其故障特征分析16-18
• 2.3.1 滚动轴承的振动机理16-17
• 2.3.2 滚动轴承的固有振动频率17
• 2.3.3 滚动轴承的故障特征频率17-18
• 2.4 滚动轴承表面损伤故障诊断模型18-23
• 2.4.1 外圈存在单损伤点的理论模型18-19
• 2.4.2 内圈存在单损伤点的理论模型19-21
• 2.4.3 滚动体存在单损伤点的理论模型21-23
• 2.5 本章小结23-24
• 第三章 基于EEMD算法的滚动轴承的故障特征提取方法24-42
• 3.1 引言24
• 3.2 经验模态分解（EMD ）算法24-32
• 3.2.1 瞬时频率24-25
• 3.2.2 本征模态函数（IMF)25
• 3.2.3 经验模态分解算法25-27
• 3.2.4 EMD端点效应问题及其抑制方法27-31
• 3.2.4.1 端点效应问题27-28
• 3.2.4.2 基于改进相似极值延拓的端点效应抑制方法28-29
• 3.2.4.3 仿真信号分析29-31
• 3.2.5 端点效应问题的实例分析31-32
• 3.3 总体平均经验模态分解（EEMD）算法32-35
• 3.3.1 EEMD算法的基本原理32-33
• 3.3.2 EEMD算法与EMD算法的对比33-35
• 3.4 基于EEMD分解和谱峭度的滚动轴承故障诊断35-41
• 3.4.1 谱峭度35
• 3.4.2 EEMD算法的参数设置35-36
• 3.4.3 EEMD和谱峭度相结合的滚动轴承故障特征提取方法36-37
• 3.4.4 实例信号分析37-41
• 3.5 本章小结41-42
• 第四章 基于DE-LSSVM的滚动轴承的故障模式识别方法42-58
• 4.1 引言42
• 4.2 支持向量机理论基础42-48
• 4.2.1 经验风险最小化42-43
• 4.2.2 VC维理论43-44
• 4.2.3 推广性的界44
• 4.2.4 结构风险最小化44-45
• 4.2.5.支持向量机原理45-48
• 4.3 最小二乘支持向量机48-52
• 4.3.1 LS-SVM算法48-49
• 4.3.2 基于差分进化算法的LS-SVM参数寻优49-52
• 4.3.2.1 差分进化算法49-51
• 4.3.2.2 差分进化算法优化LS-SVM参数51-52
• 4.4 基于EEMD能量熵和DE-LSSVM的轴承故障模式识别方法52-57
• 4.4.1 EEMD能量熵52
• 4.4.2 基于EEMD能量熵和DE-LSSVM的滚动轴承故障模式识别算法52-53
• 4.4.3 不同损伤程度的轴承内圈故障实例分析53-57
• 4.5 本章小结57-58
• 第五章 总结与展望58-60
• 5.1 总结58
• 5.2 展望58-60
• 致谢60-61
• 参考文献61-65
• 作者简介65
• 攻读硕士学位期间研究成果65

【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 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

3 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

4 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

5 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

6 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

7 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

8 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

9 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

10 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013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EEMD和最小二乘支持向量机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：261318