旋转机械设备轴承智能故障诊断算法研究

发布时间：2020-06-11 15:37

【摘要】：滚动轴承作为旋转机械设备关键的驱动部件,在设备运行中承担着重要作用,当其发生故障时直接影响设备的安全可靠运行。因此研究滚动轴承的智能故障诊断方法能够实时、准确、高效地识别滚动轴承的运行状态,对保障设备安全运行具有深远意义和工业价值。滚动轴承的振动信号能够反映大量的轴承状态信息,因此本文以滚动轴承振动信号为分析对象,结合信息挖掘以及人工智能模式识别方法,深入研究滚动轴承智能故障诊断算法模型。首先,研究基于统计特征的传统故障诊断模型。对滚动轴承振动信号时域、频域、时频域三种分析域下的信号进行统计特征提取。并且基于统计特征集合分别训练神经网络和支持向量机(SVM)故障诊断模型,进而完成故障模式识别。通过实验验证两个诊断模型的有效性,根据实验结果分析出SVM故障诊断模型更具有优越性。其次,针对先验知识匮乏难以提取有效统计特征问题,研究基于自动特征提取的智能故障诊断模型。提出了一种基于频谱的稀疏自动编码器(Frequency Spectrum Sparse Auto-Encoder,FSAE)与SVM的智能故障诊断算法,利用FSAE对滚动轴承振动信号进行自动特征提取,结合SVM分类器构建故障诊断模型。通过实验验证该算法的有效性,在不需要专家经验的前提下,能够完成智能故障诊断并且具有较为精确的诊断结果。最后,针对滚动轴承有标记的故障样本数据量少导致故障诊断模型泛化性能下降的问题,研究基于半监督学习的故障诊断算法。提出了一种基于K近邻和SVM协同训练故障诊断方法,该算法充分考虑无标记数据对诊断模型的影响,利用K近邻算法学习大量无标记数据的空间分布,辅助SVM构建整个数据集的分类超平面,通过两种分类器互相修正共同学习的方式完成故障诊断模型训练。通过实验结果分析验证了本章所提算法有效的提高了模型的泛化性能,而且相较于半监督SVM分类器有更好的准确性和稳定性。
【图文】：

故障诊断试验

2 特征提取与滚动轴承故障诊断方法法性能测试（Algorithmic Performance Testing）节利用凯斯西储大学滚动轴承振动信号数据对传统时域、频域、时提取统计特征集合。并采用基于统计特征的神经网络和 SVM 故障对人工提取的统计特征有效性进行验证，并通过实验从故障诊断精速度两个方面比较神经网络和 SVM 故障识别模型优越性。西储大学轴承实验数据集验数据选用美国凯斯西储大学(Case Western Reserve University,CW动端轴承振动信号数据，数据采集试验台如图 2-6 所示。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33

【相似文献】