基于信息融合技术的滚动轴承故障识别及诊断

发布时间：2017-03-30 04:19

  本文关键词：基于信息融合技术的滚动轴承故障识别及诊断，由笔耕文化传播整理发布。

【摘要】：滚动轴承是机械设备常用的重要零部件，在设备工作过程中极易发生损坏，一旦轴承在工作过程中发生故障，将直接影响正常的安全生产，甚至导致事故的发生。在轴承故障诊断过程中，一般由于其工作状态是非平稳的，故障特征信息复杂多变，单一的方法很难提取出有效的故障特征信息并诊断出故障。据统计，因为轴承的发生故障导致的事故会引起很大的经济损失。因此合理有效的检查并提取滚动轴承的故障特征，避免事故发生非常重要。 本文运用振动信号测试技术采集信号，主要运用多传感器信息融合技术，并结合小波包理论、EMD方法、多分辨SVD、多分辨SVD包、多传感器概率神经网络与支持向量机对滚动轴承进行故障识别与诊断，研究内容如下： 首先，本文对信息融合技术及其在故障诊断与识别中的发展过程与研究现状进行了论述，阐述了信息融合技术对机械科学的影响与意义，介绍了信息融合层次划分与信息融合算法，分析了齿轮箱的振动噪声产生机理和滚动轴承振动机理。 其次，应用多传感器信息融合技术的思想，分别构造提取滚动轴承故障特征的多域特征提取算法和IMF熵特征提取算法，用多传感器网络融合算法对滚动轴承进行故障识别与诊断；对美国Spectra Quest公司生产的机械故障综合模拟试验台的滚动轴承进行故障类型的识别，同时对现场轧机齿轮座滚动轴承进行故障识别诊断。 最后，结合多分辨分析的特性与SVD的特性，应用多分辨SVD与多分辨SVD包提取滚动轴承特征，结合支持向量机，，进行了多分辨SVD特征融合与多分辨SVD包特征融合与支持向量机的故障识别与诊断；对美国Spectra Quest公司生产的动力传动故障诊断综合模拟试验台的滚动轴承进行故障类型的识别。 通过最终的实验结果表明多域特征、IMF熵特征、多分辨SVD特征、多分辨SVD包特征能够有效提取并表达出滚动轴承不同故障类型的特征；这些特征与多传感器网络融合识别诊断和支持向量机进行特征融合识别诊断，都能对不同的滚动轴承故障进行准确的分类，从而证明本文的方法能够有效的诊断出滚动轴承故障问题。
【关键词】：多传感器网络融合 多分辨SVD 支持向量机 滚动轴承 故障诊断
【学位授予单位】：内蒙古科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3;TP202
【目录】：

• 摘要3-4
• Abstract4-8
• 1 绪论8-13
• 1.1 课题研究背景及意义8-10
• 1.2 信息融合技术研究现状10-12
• 1.2.1 信息融合技术的发展10-11
• 1.2.2 基于信息融合技术的故障识别及诊断研究现状11-12
• 1.3 论文主要研究内容与结构安排12-13
• 2 齿轮箱的故障类型与振动噪声产生机理13-17
• 2.1 齿轮箱故障的主要形式13
• 2.2 齿轮箱系统振动噪声产生的机理13-16
• 2.3 滚动轴承故障振动机理16
• 2.4 本章小结16-17
• 3 信息融合故障诊断基本理论17-24
• 3.1 信息融合基本原理17-18
• 3.2 信息融合层次的划分18-21
• 3.2.1 信息融合功能模型18
• 3.2.2 信息融合层次18-21
• 3.3 多传感器信息融合算法21-23
• 3.4 本章小结23-24
• 4 多传感器网络融合的滚动轴承故障诊断24-44
• 4.1 基于多传感器网络融合的故障诊断24-26
• 4.1.1 概率神经网络24-25
• 4.1.2 D-S 证据理论25
• 4.1.3 PNN 与证据理论的融合故障诊断25-26
• 4.2 基于多域特征的多传感器网络融合滚动轴承故障诊断26-34
• 4.2.1 多域特征的提取26-30
• 4.2.2 滚动轴承故障试验台数据采集30-32
• 4.2.3 基于多域特征的滚动轴承故障试验分析32-34
• 4.3 基于 IMF 熵的多传感器网络融合滚动轴承故障诊断34-39
• 4.3.1 IMF 熵的特征提取34-37
• 4.3.2 基于 IMF 熵的滚动轴承故障试验分析37-39
• 4.4 两种特征提取方法的比较39-40
• 4.5 现场轧机齿轮座诊断实例40-43
• 4.5.1 基于多域特征的轧机齿轮座故障诊断41-42
• 4.5.2 基于 IMF 熵特征的轧机齿轮座故障诊断42-43
• 4.6 本章小结43-44
• 5 多分辨特征融合与支持向量机的滚动轴承故障诊断44-63
• 5.1 引言44
• 5.2 支持向量机原理44-47
• 5.2.1 线性支持向量机44-46
• 5.2.2 非线性支持向量机46
• 5.2.3 核函数46-47
• 5.3 多分辨 SVD47-51
• 5.3.1 多分辨分析47-48
• 5.3.2 多分辨 SVD 特征提取48-50
• 5.3.3 多分辨 SVD 包特征提取50-51
• 5.4 多分辨 SVD 特征融合与支持向量机的故障诊断51-58
• 5.4.1 多分辨 SVD 特征融合与支持向量机的故障诊断基本步骤51-52
• 5.4.2 试验分析52-58
• 5.5 多分辨 SVD 包特征融合与支持向量机的故障诊断58-62
• 5.5.1 多分辨 SVD 包特征融合与支持向量机的故障诊断基本步骤58-59
• 5.5.2 试验分析59-62
• 5.6 本章小结62-63
• 结论63-64
• 参考文献64-69
• 附录 A 多域特征与多传感器网络融合主程序69-83
• 在学研究成果83-84
• 致谢84

【参考文献】

中国期刊全文数据库 前10条

1 吴俊;程咏梅;曲圣杰;潘泉;刘准钆;;基于三级信息融合结构的多平台多雷达目标识别算法[J];西北工业大学学报;2012年03期

2 雍少为，郁文贤，郭桂蓉;信息融合的熵理论[J];系统工程与电子技术;1995年10期

3 于德介;陈淼峰;程军圣;杨宇;;基于EMD的奇异值熵在转子系统故障诊断中的应用[J];振动与冲击;2006年02期

4 张超;陈建军;郭迅;;基于EMD能量熵和支持向量机的齿轮故障诊断方法[J];振动与冲击;2010年10期

5 秦海勤;徐可君;隋育松;于世胜;;基于系统信息融合的滚动轴承故障模式识别[J];振动.测试与诊断;2011年03期

6 朱大奇;陈尔奎;;旋转机械故障诊断的量子神经网络算法[J];中国电机工程学报;2006年01期

7 符玲;何正友;麦瑞坤;钱清泉;张鹏;;小波熵证据的信息融合在电力系统故障诊断中的应用[J];中国电机工程学报;2008年13期

8 齐保林;李凌均;李志农;;基于支持向量机的故障模式识别研究[J];郑州大学学报(工学版);2007年01期

9 康健;李一兵;林云;;基于证据理论的数据关联算法[J];系统工程与电子技术;2012年07期

10 成钰龙;程刚;沈利华;邱锦波;山显雷;;基于特征信息融合的离散小波SVM齿轮故障诊断方法研究[J];组合机床与自动化加工技术;2012年08期

  本文关键词：基于信息融合技术的滚动轴承故障识别及诊断，由笔耕文化传播整理发布。

本文编号：276223