基于多小波与SVM的捣固车滚动轴承故障诊断的研究

发布时间：2020-10-24 20:14

　　 铁路作为货物运输和国民出行的主要交通运输方式之一,是一个国家经济实力的具体体现。捣固车作为对铁路进行作业与维修的主要工具,具有至关重要的作用。捣固车的工作环境恶劣,所以更容易发生故障,而滚动轴承是捣固车的重要工作部件,若其发生故障则直接关乎着整个工程的精度和进度。因此,如何准确快速的发现捣固车滚动轴承的早期故障成为今后研究的重点。本文首先将采集到的捣固车滚动轴承的振动信号用改进多小波阈值函数的去噪方法进行降噪处理,并在多小波分析过程中采集多小波系数,将其相关统计值作为故障特征向量,最后将提取到的故障特征向量输入到训练好的支持向量机分类模型中进行分类,其中在构建故障分类模型时采用了改进布谷鸟算法对SVM分类模型中的参数进行优化,并用基于改进布谷鸟算法优化的SVM多类分类器进行故障分类。滚动轴承的工作环境差,因此采集到的振动信号中含有大量噪声,这将会影响故障诊断的准确率,故本文提出了一种改进多小波阈值函数的去噪方法,并将多小波系数作为故障特征向量应用到捣固车滚动轴承故障诊断的分析中。介于多小波的预处理方法针对不同的振动信号会有不同的预处理效果的特点,本文首先针对捣固车滚动轴承振动信号进行多小波预处理方法的选择,同时将相关系数和信号能量作为评价标准,选取出最适合捣固车滚动轴承信号的预处理方法;接着,在小波分析软、硬阈值函数的基础上提出了一种改进阈值函数的多小波去噪方法,通过仿真实验得出改进阈值函数的多小波去噪方法有很好的降噪效果,并用该方法对捣固车滚动轴承振动信号进行去噪;最后在经过降噪后的信号中提取多小波系数相关计算值作为故障特征向量,并将其应用到后续的故障诊断当中。支持向量机中核函数参数和惩罚因子的选取直接关乎着模型分类的准确率。因此本文在布谷鸟算法的基础上提出了一种自适应鸟巢未被宿主发现概率的改进布谷鸟算法,并用此方法对核函数参数以及惩罚因子进行寻优,选择最优参数构建支持向量机分类模型。本文研究了基于二叉树的支持向量机多类分类的捣固车滚动轴承故障分类模型,采用改进布谷鸟算法对支持向量机中的参数进行优化,并将径向基函数作为核函数构建最优支持向量机分类模型,并将其应用到捣固车滚动轴承故障诊断当中。通过仿真实验可以得出基于改进布谷鸟算法优化的SVM故障诊断模型可以较为准确的识别捣固车滚动轴承故障类别。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【部分图文】：

而滚动体则是整个系统的动力源泉。内圈、外圈以及滚动体是滚动轴承发生故障的主要来源。如图2.1 为滚动轴承结构图。图 2.1 滚动轴承结构图（2）滚动轴承的基本失效形式由于装配不当或者水分和异物的侵入、腐蚀都可能造成滚动轴承的损伤，因此滚动轴承损伤形式比较复杂，常见失效形式有以下几种：疲劳失效、胶合失效、磨损失效、烧伤失效、腐蚀失效、破损失效、压痕失效等。疲劳失效是由于轴承负载过大，从而导致滚动体或滚动表面发生脱落导致轴承的失效；胶合失效是由于润滑不当导致滚道面出现胶合的失效；磨损失效是轴承长期转动发生磨损的现象，会导致转动周期发生变化；烧伤失效是轴承温度过高，导致轴承发生软化、熔体的现象，从而降低寿命；腐蚀失效是由于操作环境中化学物质或电流等因素的引入造成的损伤，使得精度降低；破损失效是由于冲击载荷过大而出现裂纹或断裂的现象；压痕失效是在内、外圈以及滚动体表面出现凹坑或条状压痕的现象，主要是由于承载过大或有异物入侵所造成的

进的方法应用到流水车间调度问题中，证明9]使用二进制的方式对鸟巢的位置进行编码变换，将布谷鸟搜索算法变换成二进制形式对比得出改进的算法具有优越性。作为一种新型算法已经在很多领域中得到了收敛精度不足等缺点，所以本文将对其进行原理 flight）是 Paul Pierre Levy[40]提出的一种随蛛猴等生物的行动轨迹时，发现这些生物的况下，可以发生跨度比较大的跳跃，依据这程中，莱维飞行很好的避免了局部最优，扩理想的策略。图 2.5 为模拟莱维飞行的轨迹

图 2.6 支持向量机的超平面 表示分类超平面，也就是能够无误区分两类构成的平面，该向量是到最优超平面最近平行的，且将1H 和2H 之间的垂直距离叫做何间隔。式如下： 2, ,1 1min min2 2. . 1 0, 1,2, ,Tw b w bi iw w wst y w x b i n ，让偏导数赋值等于 0，则有：1100 0ni i iini iiLw y xwLw yb
【参考文献】

相关期刊论文 前10条

1 曹京京;胡辽林;赵瑞;;一种改进小波阈值函数的光纤光栅传感信号去噪方法[J];传感技术学报;2015年04期

2 赵志宏;杨绍普;刘永强;;多小波系数特征提取方法在故障诊断中的应用[J];振动.测试与诊断;2015年02期

3 卢娜;肖志怀;张广涛;孙召辉;;基于自适应多小波与综合距离评估指数的旋转机械故障特征提取[J];振动与冲击;2014年12期

4 卢娜;肖志怀;曾洪涛;符向前;;基于径向基多小波神经网络的水电机组故障诊断[J];武汉大学学报(工学版);2014年03期

5 王立臣;梁浩;;滚动轴承故障诊断技术现状及发展趋势[J];电子测试;2013年22期

6 冯登科;阮奇;杜利敏;;二进制布谷鸟搜索算法[J];计算机应用;2013年06期

7 李煜;马良;;新型元启发式布谷鸟搜索算法[J];系统工程;2012年08期

8 何正嘉;孙海亮;訾艳阳;;自适应多小波基函数构造与机械故障诊断应用研究[J];中国工程科学;2011年10期

9 曹巍;赵英凯;高世伟;;基于模糊核聚类的多类支持向量机[J];化工学报;2010年02期

10 张蕊;王学伟;王琳;;基于GHM多小波的电力系统故障录波数据压缩算法[J];电测与仪表;2008年10期

相关博士学位论文 前2条

1 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

2 刘志刚;多小波理论及其在电力系统故障信号处理中的应用研究[D];西南交通大学;2003年

相关硕士学位论文 前5条

1 王雪;基于多小波分析的捣固车滚动轴承故障诊断的研究[D];昆明理工大学;2017年

2 刘东启;基于支持向量机的不平衡数据分类算法研究[D];浙江大学;2017年

3 黄继达;布谷鸟算法的改进及其应用研究[D];华中科技大学;2014年

4 彭璐;支持向量机分类算法研究与应用[D];湖南大学;2007年

5 韩景梅;支持向量机决策树算法研究及其应用[D];上海交通大学;2007年

本文编号：2854931