基于特征提取和稀疏表示的滚动轴承故障诊断方法研究

发布时间：2020-04-10 20:14

【摘要】：滚动轴承是机械设备中应用最为广泛的零部件之一,由于运行工况的恶劣,因此也是最容易发生故障的零部件之一。滚动轴承发生故障将会影响着整个机械设备的正常运转,严重时会引起重大的安全事故。因此,对滚动轴承进行状态监测和故障诊断十分的重要。滚动轴承的故障诊断主要包括振动信号采集、故障特征提取和模式识别三部分。基于此,本文主要研究滚动轴承的故障特征提取方法和模式识别方法,分别将变分模态分解(Variational Mode Decomposition,VMD)、流形学习和深度学习用于对滚动轴承故障特征提取,将提取到的故障特征输入到稀疏表示分类器(Sparse Representation Classifier,SRC)中,对滚动轴承各类故障进行诊断。本文主要研究内容如下:1.针对采集的振动信号中通常包含较多的背景噪声,提出了VMD降噪方法,仿真结果表明,VMD降噪能有效地降低信号中的噪声成分,并且降噪的效果更优于经验模态分解(Empirical Mode Decomposition,EMD)降噪和小波阈值降噪方法。2.将流形学习方法用于对滚动轴承故障高维特征向量的降维,研究了降维维数对降维效果的影响,将提取到的低维特征与稀疏表示分类器相结合用于滚动轴承的故障诊断,实验结果表明,该方法能有效地识别滚动轴承的各种故障类型。3.通过VMD将振动信号分解为若干模态分量,分别提取各分量的峭度、能量矩、模糊熵,共同组成信号的组合特征,然后通过特性选择的方法选择组合特征的故障敏感特征,将故障敏感特征与稀疏表示分类器相结合用于滚动轴承的故障诊断。实验结果表明该方法能有效地识别滚动轴承的各种故障类型。4.用训练样本分别训练卷积神经网络(Convolution Neural Network,CNN)和深度置信网络(Deep Belief Network,DBN)的网络模型,将训练好的CNN和DBN分别用于提取滚动轴承的故障特征,将提取好的特征与稀疏表示分类器相结合用于滚动轴承的故障诊断。实验结果表明该方法能有效地识别滚动轴承的各种故障类型。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】