基于局部均值分解样本熵及参数迁移学习的轴承故障诊断

发布时间：2020-07-18 21:39

【摘要】：旋转机械在运行过程中,滚动轴承作为易损伤部件,极易发生故障。因此,对滚动轴承故障诊断的研究十分重要。论文在分析滚动轴承故障的研究现状基础上,针对振动信号分解、信号分量的筛选和特征向量矩阵的构建、以及分类识别等三个方面进行研究,提出一种基于局部均值分解(Local mean decomposition,LMD)样本熵(Sample Entropy,SampEn,SE)及参数迁移学习的滚动轴承故障诊断方法。首先,分析了经验模态分解(Empirical Mode Decomposition,EMD)方法的特点,指出其具有端点效应及频率混叠现象等缺陷。由此引出基于LMD的振动信号特征提取方法,LMD方法将振动信号自适应地分解为多个具有物理意义的乘积函数(product function,PF)分量之和,减小了端点效应对分解准确性的影响,同时克服了对每个信号都要进行希伯特分解的弊端,使分解具有更好的适应性和准确性。对相同信号分别使用EMD和LMD进行分解,分解结果的时频特性表明,LMD方法可以更好的抑制端点效应和频率混叠现象。然后,采用斯皮尔曼相关系数对LMD分解振动信号后得到的各PF分量进行筛选,筛选出足以表征原信号特征的分量,并提取其样本熵构成特征矩阵来突出表征原振动信号中的故障信息,为轴承故障分类识别提供特征向量。接下来,通过分析传统机器学习对特征信号进行分类识别时的局限性,提出一种基于参数迁移学习的特征信号分类识别新方法。通过规定源域和目标域,对源域和目标域进行分析构造映射函数,然后对源域和目标域特征向量进行迁移映射得到目标域的重映射,最后对目标域参数进行分类识别。通过仿真实验对比分析表明,基于参数迁移学习的故障识别方法具有更好的准确性。最后,对本文提出的方法进行实验验证及实际应用。首先采用美国凯斯西储大学(Case Western Reserve University,CWRU)的滚动轴承故障信号,采用本方法和SVM方法分别对轴承不同位置故障和同位置不同程度故障进行对比诊断,证明了本方法的有效性和优越性。然后将本文方法应用在上海宝钢实际采集的数据分析中,取得了良好的诊断效果。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.3
【图文】：

第 5 章 滚动轴承故障诊断实验采用来自 CWUR 公开的试验平台数据进行实验，然后将本文际采集的数据分析中。模拟滚动轴承故障数据采集平台所公开的振动数据在滚动轴承其广泛的应用，本文选取一根滚动轴承筛选后的特征向量数的振动信号作为仿真实验数据。首先对滚动轴承的振动信号，计算分解得到的各个分量的斯皮尔曼相关系数，根据斯皮尔足以表征分解信号的 PF 分量个数。然后对筛选出的各 PF 分参量矩阵来表征各 PF 分量。最后把特征参量进行基于参数迁比对分类，验证本文提出方法的可行性和优越性。承故障诊断实验仿真数据来源介绍stern Reserve University 的实验模拟平台如图 5-1 所示。

【相似文献】

相关期刊论文 前10条

1 屈强;尉宝元;;197726型滚动轴承故障产生原因及对策[J];京铁科技通讯(太原刊);2002年01期

2 贺天成;范云鹏;宁中赫;;利用包络解调技术分析诊断滚动轴承故障[J];冶金动力;2020年01期

3 聂海燕;;滚动轴承故障诊断方法综述[J];内燃机与配件;2019年23期

4 陈松;陈立爱;;经验模态分解和神经网络在滚动轴承故障诊断中应用研究[J];安徽建筑大学学报;2016年04期

5 倪安福;;基于包络谱分析的滚动轴承故障诊断方法研究[J];煤矿机械;2017年02期

6 秦波;孙国栋;陈帅;王祖达;王建国;;排列熵与核极限学习机在滚动轴承故障诊断中的应用[J];组合机床与自动化加工技术;2017年02期

7 李卫;;非平稳工况的滚动轴承故障特征研究新方法[J];机械设计与研究;2017年01期

8 汪治安;夏均忠;但佳壁;于明奇;吕麒鹏;;循环平稳在滚动轴承故障诊断中的应用[J];军事交通学院学报;2017年06期

9 陈慧;胡俊锋;熊国良;;基于小波包分解与权重包络谱的滚动轴承故障特征增强[J];机械设计与研究;2017年03期

10 陈雷;;滚动轴承故障诊断实例[J];设备管理与维修;2016年10期

相关会议论文 前10条

1 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中应用[A];第九届全国振动理论及应用学术会议论文集[C];2007年

2 和卫星;陈晓平;马东玲;;基于混沌时间序列的滚动轴承故障局部预测[A];2009中国仪器仪表与测控技术大会论文集[C];2009年

3 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

4 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

5 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

6 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中的应用[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

7 闵勇;郭一楠;闫俊荣;;基于贪心算法的滚动轴承故障诊断特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 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

9 古莹奎;杨子茜;朱繁龙;;基于主成分分析的滚动轴承故障特征融合分析[A];2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集[C];2014年

10 王俊锋;申永军;;高阶统计量在滚动轴承故障诊断中的应用研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年

相关博士学位论文 前10条

1 池永为;滚动轴承故障的振动特性分析与智能诊断方法研究[D];浙江大学;2018年

2 王洪伟;航空发动机滚动轴承故障诊断与预测关键技术研究[D];南京航空航天大学;2015年

3 葛慧敏;车辆滚动轴承故障诊断建模及关键技术研究[D];江苏大学;2017年

4 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

5 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

6 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年

7 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

8 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

9 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

10 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

相关硕士学位论文 前10条

1 逯全波;基于改进VMD的滚动轴承故障无线监测系统[D];重庆三峡学院;2018年

2 李志;基于模态分解的滚动轴承故障诊断方法研究及应用[D];内蒙古科技大学;2019年

3 张琳;基于同步提取变换的变转速工况下滚动轴承故障诊断方法研究[D];石家庄铁道大学;2019年

4 金治彬;基于时频变换与阶比分析的变转速滚动轴承故障诊断研究[D];石家庄铁道大学;2019年

5 武薇;基于排列熵理论的滚动轴承故障诊断研究[D];石家庄铁道大学;2019年

6 赵靖;强背景噪声下铁路列车滚动轴承故障特征提取方法研究[D];石家庄铁道大学;2019年

7 薛海峰;滚动轴承故障诊断方法研究[D];石家庄铁道大学;2018年

8 张安;基于SVD的滚动轴承故障特征提取[D];石家庄铁道大学;2019年

9 陆子鸣;基于NLM-VMD和度量学习的滚动轴承故障诊断研究[D];华中科技大学;2019年

10 陆超;基于局部均值分解样本熵及参数迁移学习的轴承故障诊断[D];燕山大学;2019年

本文编号：2761461