经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究

发布时间：2020-09-26 18:09

　　 滚动轴承是旋转机械的核心,但是由于其工作强度大、所处的工作环境恶劣,极易成为损坏部件。所以,及时对滚动轴承的故障类型进行识别判断,可以有效地确保机械系统安全运行,具有十分重要的意义。本文以滚动轴承为研究对象,将改进的经验小波变换和支持向量机结合,共同应用到滚动轴承的故障诊断中。本文的主要研究内容如下:首先回顾了故障诊断技术的发展历程以及对振动信号的处理方法,分析了滚动轴承发生故障的原因,从理论上推导分析了其故障特征频率和典型故障的振动特性。其次介绍了经验小波变换(Empirical Wavelet Transform,EWT)理论,因为其无法精确地实现Fourier谱的自适应分割,因此提出了一种基于能量的尺度空间经验小波变换方法(Energy Space Empirical Wavelet Transform,ESEWT),并且将此方法用于滚动轴承的故障诊断。首先使用尺度空间的方法对Fourier谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,从中提取滚动轴承的故障特征频率。通过试验验证,ESEWT方法能够减少频带分界点,在一定程度上改善频带破裂现象,并且能够精确提取滚动轴承的故障特征频率,凸显故障频率及其谐波成分,有效地判断轴承故障。最后介绍了统计学理论和支持向量机(Support Vector Machine,SVM),提出了基于ESEWT和SVM的滚动轴承故障诊断方法。该方法对振动信号进行ESEWT分解,分别提取振动信号的峭度、脉冲因子、峰值因子、裕度因子和经ESEWT分解后分量信号的奇异值熵、能量熵、排列熵、样本熵共同做为特征向量,输入到SVM模型中进行训练得到故障分类器,并且对测试样本进行分类识别。经过实验验证,该方法具有较高的分类准确率,证明了其在实际工程应用中的可靠性和实用性。
【学位单位】：西南交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 故障诊断技术的国内外发展现状
        1.2.1 国外发展现状
        1.2.2 国内发展现状
    1.3 振动信号处理方法研究
        1.3.1 时域信号分析技术
        1.3.2 频域信号分析技术
        1.3.3 时频联合分析方法
    1.4 论文主要内容及章节安排
第2章 滚动轴承的故障机理研究
    2.1 滚动轴承的结构
    2.2 滚动轴承的主要失效形式
    2.3 滚动轴承的振动机理
        2.3.1 滚动轴承的固有振动频率
        2.3.2 滚动轴承的振动机理
        2.3.3 滚动轴承的故障特征频率
    2.4 滚动轴承典型故障的振动特性
        2.4.1 内圈损伤时的振动特性
        2.4.2 外圈损伤时的振动特性
        2.4.3 滚动体损伤时的振动特性
    2.5 本章小结
第3章 改进的EWT方法在滚动轴承故障诊断中的应用
    3.1 经验小波变换理论
        3.1.1 EWT理论
        3.1.2 EWT频带划分方法
    3.2 尺度空间理论
    3.3 改进的EWT方法
        3.3.1 方法流程
        3.3.2 实例信号对比
    3.4 本章小结
第4章 统计学习理论与支持向量机
    4.1 统计学习理论
        4.1.1 VC维理论
        4.1.2 学习问题的表示
        4.1.3 经验风险最小化原则
        4.1.4 推广性的界
        4.1.5 结构风险最小化原则
    4.2 二分类的支持向量机
        4.2.1 线性支持向量机
        4.2.2 非线性支持向量机
    4.3 多分类的支持向量机
    4.4 基于支持向量机的滚动轴承故障诊断方法
    4.5 本章小结
第5章 基于ESEWT和SVM的滚动轴承故障诊断方法
    5.1 特征向量的选取
    5.2 基于ESEWT和SVM的滚动轴承故障诊断方法
    5.3 基于ESEWT和SVM的轴承故障实例分析
        5.3.1 滚动轴承故障实验简介
        5.3.2 试验数据分析
    5.4 本章小结
第6章 总结与展望
    6.1 论文总结
    6.2 研究展望
致谢
参考文献
攻读硕士期间发表论文情况

【参考文献】

相关期刊论文 前10条

1 秦娜;蒋鹏;孙永奎;金炜东;;基于EEMD排列熵的高速列车转向架故障特征分析[J];振动.测试与诊断;2015年05期

2 左庆林;马怀祥;;基于EMD分解和共振解调的滚动轴承故障诊断研究[J];石家庄铁道大学学报(自然科学版);2014年03期

3 王金福;李富才;;机械故障诊断的信号处理方法:频域分析[J];噪声与振动控制;2013年01期

4 向玲;唐贵基;胡爱军;;旋转机械非平稳振动信号的时频分析比较[J];振动与冲击;2010年02期

5 刘永斌;龙潜;冯志华;刘维来;;一种非平稳、非线性振动信号检测方法的研究[J];振动与冲击;2007年12期

6 赵晓玲;;滚动轴承故障振动检测方法[J];重庆科技学院学报(自然科学版);2007年01期

7 于德介,杨宇,程军圣;一种基于SVM和EMD的齿轮故障诊断方法[J];机械工程学报;2005年01期

8 安金龙,王正欧,马振平;一种新的支持向量机多类分类方法[J];信息与控制;2004年03期

9 董明,孟源源,徐长响,严璋;基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J];中国电机工程学报;2003年07期

10 张周锁,李凌均,何正嘉;基于支持向量机的机械故障诊断方法研究[J];西安交通大学学报;2002年12期

相关博士学位论文 前7条

1 王晓龙;基于振动信号处理的滚动轴承故障诊断方法研究[D];华北电力大学(北京);2017年

2 邓飞跃;滚动轴承故障特征提取与诊断方法研究[D];华北电力大学(北京);2016年

3 张翱;列车轴承故障道旁声学诊断关键技术研究[D];中国科学技术大学;2014年

4 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013年

5 韩晓明;基于符号有向图和支持向量机的故障诊断方法的研究[D];太原理工大学;2011年

6 鲁淑霞;基于支持向量机的多光谱数据分类[D];河北大学;2007年

7 黄景涛;支持向量机算法参数选择及其在电站锅炉系统中的应用研究[D];浙江大学;2005年

相关硕士学位论文 前10条

1 刘星辰;滚动轴承故障诊断的若干方法研究[D];中国科学技术大学;2017年

2 席亚军;基于经验小波变换和奇异值分解的旋转机械故障诊断[D];西南交通大学;2017年

3 韩雪晴;滚动轴承在线监测系统的研究与开发[D];兰州理工大学;2016年

4 杨坤;基于复信号双边谱与FNN的旋转机械故障诊断方法研究[D];重庆大学;2016年

5 王浩;基于有限元仿真的滚动轴承与滚珠丝杠副故障诊断方法研究[D];青岛理工大学;2015年

6 刘莹;核电汽轮机组降速过程振动特性测试分析[D];华北电力大学;2015年

7 刘良峰;动车组机械传动系统轴承振动信号分析与故障诊断[D];北京交通大学;2014年

8 李亮;基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究[D];燕山大学;2013年

9 吴美玲;滚动轴承故障巡检系统的研制与开发[D];华北电力大学（河北）;2010年

10 雷萍;小波神经网络技术在齿轮箱轴承故障诊断中的应用[D];兰州理工大学;2009年

本文编号：2827309