基于小波包和支持向量机的滚动轴承故障识别方法

发布时间：2020-05-31 18:46

【摘要】： 在机械系统运行中,其旋转机械的故障发生率中有30%是由于轴承故障而引起的,若能较快地发现并预测轴承故障类型,使工作人员能够及时采取相应的措施,将故障消灭在萌芽状态,可以较好地起到维护设备完善和保护人员安全的作用。所以,对滚动轴承的开展故障诊断方法研究,具有很强的实际意义。本文首先分析了滚动轴承的振动机理与信号特征,并在滚动轴承模拟故障实验台上,对正常轴承及分别含有内圈损伤、外圈损伤、滚动体点蚀的滚动轴承进行了故障实验,采集了它们不同故障形式下的振动信号。目前小波包方法是一种在多分辨分析基础上构成的正交分解的时频分析方法。它既可以在低频和高频部分进行分解,自适应地确定信号在不同频段上的分辨率,还可以将包括正弦信号在内的任意信号划归到相应的频带里,而这些分解的频带信号都具有一定的能量。因此本文接下来采用每个频带里包含的信号能量作为特征向量,来表征滚动轴承的运行状态。在机械设备进行智能故障识别中,近年来开展的信号识别方法研究中,支持向量机(SVM)是基于少样本情况下,就机器学习问题所建立的一种新的智能故障识别理论体系,它可以较好地解决数据小样本、高维及非线性等实际问题。本课题基于多分类支持向量机的故障自动识别技术,在“一对一”多分类算法的基础上,结合决策树理论和投票理论,构造一种多分类算法,找到一种既能够提高已知少量样本的重复利用度,又可以维持每个子分类器正负训练样本的对称问题,而且能显著提高分类的精度的方法。用已经提取的模拟样本能量特征向量对滚动轴承的故障进行识别和分类,取得到良好的效果。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TH133.33;TH165.3

【引证文献】