滚动轴承出厂检测与故障诊断研究

发布时间：2017-04-02 20:04

  本文关键词：滚动轴承出厂检测与故障诊断研究，由笔耕文化传播整理发布。

【摘要】：滚动轴承是装备制造业的关键基础件,其质量高低对众多工业设备具有较大影响,因此滚动轴承的质量检测与故障诊断研究具有重大的现实意义。本课题以滚动轴承为研究对象,研制基于虚拟仪器的轴承振动测试系统,实现轴承振动信号的实时采集;分析滚动轴承故障振动信号特征,应用形态学滤波、小波包分解、粒子群算法、支持向量机等技术,开发具有高可靠性的产品检测技术,实现产品故障类型的精确故障诊断。论文具体研究内容如下:1、研制了基于虚拟仪器技术的滚动轴承振动信号测量分析系统,该系统作为实验平台,主要实现轴承振动信号采集、信号预处理以及数据存储等功能,是实现轴承故障识别的硬件基础。2、提出了基于形态滤波优化的滚动轴承故障信号降噪分析方法。利用实验对比,指出基于形态滤波的信号降噪方法能够有效抑制噪声,具有较好的故障特征提取能力。针对形态滤波中结构元素尺度难以确定的问题,设计了一种新的最优尺度判定指标以确定最优滤波算子。将轴承故障振动信号通过形态最优滤波算子进行滤波,最后依靠频谱分析判断轴承的故障,结果表明形态滤波后的频谱中,轴承故障特征频率明显。为了验证该方法的优越性,比较该方法与传统方法的性能,选取特征频率强度系数、峭度和偏斜度三个参数,依据参数大小判断滤波器性能,实例分析表明本文提出的方法优于传统方法,能够提高信噪比,有效的提取故障特征。3、提出了一种小波变换和支持向量机(Support Vector Machine,SVM)相结合的滚动轴承故障诊断方法。为了提高轴承故障诊断识别率,引入两种特征提取方法:时域特征和小波包特征分析。时域特征分析是选取时域参数作为SVM模型输入;小波包特征提取方法是将形态滤波后的信号进行小波包分解,求取最高层小波系数能量值,作为滚动轴承故障特征向量,将其作为SVM模型输入参数,达到故障识别的目的。最后利用粒子群算法(Particle Swarm Optimization,PSO)对模型参数进行优化,以提高SVM分类器的性能。实验结果表明,本文提出的故障诊断方法具有较高的故障辨识能力。
【关键词】：滚动轴承 特征提取 故障诊断 数学形态学 支持向量机
【学位授予单位】：中国计量学院
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33;TP18
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-14
• 1 绪论14-22
• 1.1 选题背景及意义14
• 1.2 滚动轴承故障诊断国内外研究现状14-20
• 1.2.1 滚动轴承故障诊断发展历程14-17
• 1.2.2 滚动轴承故障诊断技术研究现状17-20
• 1.3 主要内容和技术路线20-21
• 1.3.1 主要内容20-21
• 1.3.2 技术路线21
• 1.4 本章小结21-22
• 2 轴承故障机理及振动分析22-27
• 2.1 引言22
• 2.2 滚动轴承故障机理22-23
• 2.3 滚动轴承振动频率分析23-26
• 2.4 本章小结26-27
• 3 基于Lab VIEW轴承振动测试系统27-34
• 3.1 引言27
• 3.2 系统总设计27-28
• 3.3 硬件部分28-31
• 3.4 软件部分31-33
• 3.4.1 软件开发平台31-32
• 3.4.2 软件实现32-33
• 3.5 本章小结33-34
• 4 基于形态滤波优化的轴承信号降噪分析34-55
• 4.1 引言34
• 4.2 数学形态学基本理论34-43
• 4.2.1 二值形态学34-35
• 4.2.2 灰值形态学35-37
• 4.2.3 轴承振动信号基础形态滤波分析37-43
• 4.3 形态滤波优化43-46
• 4.3.1 判别指标43-44
• 4.3.2 实验分析44-46
• 4.4 形态滤波优化的轴承信号降噪实验分析46-54
• 4.4.1 实验设计46-47
• 4.4.2 实验结果与分析47-54
• 4.5 本章小结54-55
• 5 支持向量机在轴承故障诊断方面的研究55-67
• 5.1 引言55
• 5.2 支持向量机原理55-59
• 5.2.1 最优分类面56-57
• 5.2.2 支持向量机求解57-59
• 5.3 基于SVM的滚动轴承故障诊断研究59-63
• 5.3.1 时域特征分析59
• 5.3.2 小波包特征分析59-62
• 5.3.3 应用结果及分析62-63
• 5.4 基于PSO-SVM的滚动轴承故障诊断研究63-66
• 5.4.1 利用PSO优化SVM模型参数64-65
• 5.4.2 应用结果及分析65-66
• 5.5 本章小结66-67
• 6 总结与展望67-68
• 6.1 全文总结67
• 6.2 展望67-68
• 参考文献68-72
• 作者简介72

【相似文献】

中国期刊全文数据库 前10条

1 张文斌;杨辰龙;周晓军;;形态滤波方法在振动信号降噪中的应用[J];浙江大学学报(工学版);2009年11期

2 赵荣珍;王志威;;转子振动信号的形态滤波消噪方法[J];兰州理工大学学报;2011年04期

3 董一凡;郑丽端;;阐述形态滤波技术及其在继电保护中的应用[J];黑龙江科技信息;2012年33期

4 何清杭,何继善;基于形态滤波的灰度图像平滑[J];长春工业大学学报(自然科学版);2004年02期

5 付东翔,侯琳琳,袁武,马军山,陈家璧;顺序形态滤波处理基因芯片图像(英文)[J];仪器仪表学报;2004年S3期

6 张全明;刘会金;;基于广义形态滤波的电力系统采样信号处理[J];电力自动化设备;2006年10期

7 章法强;杨建伦;李正宏;;形态滤波在快中子图像降噪处理中的应用[J];核电子学与探测技术;2006年06期

8 张申坤;龚瑞昆;刘忠领;陈磊;;基于形态滤波的电视跟踪系统[J];河北理工大学学报(自然科学版);2008年01期

9 吕博;张永祥;柯维;;基于遗传算法的差值形态滤波尺度参数优化方法研究[J];中国机械工程;2013年03期

10 张文斌;;顺序形态滤波与样本熵在转子故障特征提取中的应用[J];制造业自动化;2013年07期

中国重要会议论文全文数据库 前4条

1 王慧玲;林克正;;基于形态滤波的焊缝图像去噪方法[A];黑龙江省计算机学会2007年学术交流年会论文集[C];2007年

2 程德杰;李晓峰;李在铭;;基于形态滤波的小型掠地飞行器聚类检测方法[A];2006中国控制与决策学术年会论文集[C];2006年

3 李春枝;何荣建;田光明;;基于数学形态滤波的振动信号降噪分析[A];第二十一届全国振动与噪声高技术及应用学术会议论文集[C];2008年

4 魏敏;周进;吴钦章;;复杂背景小目标实时检测技术[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

中国硕士学位论文全文数据库 前10条

1 马泽玮;基于广义形态滤波和集合经验模态分解的齿轮箱故障诊断[D];中北大学;2015年

2 张颖;基于数值形态滤波的红外目标检测技术研究[D];西安电子科技大学;2005年

3 李明;基于自适应形态滤波的红外图像目标检测技术研究[D];国防科学技术大学;2008年

4 李枝荣;数学形态滤波与局域均值分解在齿轮故障诊断中的应用[D];昆明理工大学;2014年

5 蔡晓鹏;基于最大提升格的多尺度彩色数学形态滤波[D];汕头大学;2002年

6 闫玉辉;机车轴承故障声发射信号特征提取研究[D];石家庄铁道大学;2014年

7 祝福荣;相山铀矿田大地电磁去噪技术研究[D];东华理工大学;2014年

8 苏斓;基于独立分量分析的房颤信号提取的研究[D];重庆大学;2009年

9 王志威;转子振动信号的数学形态滤波方法与量化特征提取问题研究[D];兰州理工大学;2011年

10 杨文涛;旋转机械振动信号特性提取技术研究[D];东北石油大学;2014年

  本文关键词：滚动轴承出厂检测与故障诊断研究，，由笔耕文化传播整理发布。

本文编号：283057