基于近邻函数准则与支持向量机的滚动轴承故障诊断研究
发布时间：2020-11-17 05:12
滚动轴承在各种机械设备中起着关键的作用,同时它又是一种非常容易发生故障的零部件之一。滚动轴承的正常工作对保证生产制造过程中的安全、高效、优质运行意义非常重大,一旦发生故障,不仅会影响整个系统的正常工作,影响经济效益,甚至会危及人身安全。因此对于滚动轴承故障诊断的研究非常重要。 损伤轴承在运转过程中,由于临近部件相互影响等因素,其振动信号为非平稳信号。传统的傅里叶分析只能获得信号的整个频谱,而难以获得信号的局部特性,对于非平稳信号难以获得希望的结果,这给滚动轴承故障诊断带来了很大的困难。 为了克服傅里叶分析方法的弱点,本文采用小波分析方法。小波变换是一种信号的时间-尺度分析方法,它具有多分辨率的特点即对于信号的低频部分具有较高的频率分辨率和较低的时间分辨率,在信号高频部分具有较高的时间分辨率和较低的频率分辨率,它能有效地实现滚动轴承的信号滤波和特征提取。 然后就需要利用提取出来的特征向量进行故障类型识别了。支持向量机(Support Vector Machine)进行故障类型识别的优点是所需要的样本数目较少,能够解决很多机器学习方法所不能解决的难题如:模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等,然而该算法本身也存在缺陷,比如有向无环图支持向量机多类分类算法(Directed Acyclic Graph SVMs,简写为DAG-SVMS)在分类过程中存在误差累积现象,即若在某个节点处发生分类错误,则会把分类错误延续到该节点的下层节点中。而且分类错误在越靠近根节点的地方发生,误差累积就越严重,分类性能越差。 为了解决这个问题,本文先利用近邻函数准则算法进行初始聚类,然后再利用DAG-SVMS进行再次分类。利用该方法可以克服单独利用支持向量机算法的缺点,使得分类识别效果更佳。 为了验证该方法的有效性,本文利用工程车辆滚动轴承数据进行了实验仿真,对采集的振动信号首先利用小波包分析方法进行信号降噪处理和能量特征提取,然后利用近邻函数准则算法结合DAG-SVMS来进行故障类型分类。同时比较了傅里叶、人工神经网络以及DAG-SVMS等方法的实验性能。发现该方法的诊断结果明显优于其它方法,能够有效地对工程车辆滚动轴承故障进行检测、诊断。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：TH165.3
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 本论文研究的背景和意义
1.2 工程车辆滚动轴承故障诊断技术简介及分类
1.2.1 工程车辆滚动轴承信号处理方法
1.2.2 工程车辆滚动轴承故障类型识别方法
1.2.3 工程车辆滚动轴承故障诊断的步骤
1.2.4 工程车辆滚动轴承故障诊断研究现状及发展趋势
1.3 本论文的研究内容
第二章 工程车辆滚动轴承的故障机理及依据
2.1 工程车辆滚动轴承的旋转结构
2.2 工程车辆滚动轴承的振动类型
2.3 工程车辆滚动轴承的特征频率和固有振动频率
2.4 本章小结
第三章 基于小波（包）分析的故障信号预处理
3.1 傅里叶变换应用
3.2 小波分析方法
3.2.1 小波分析方法应用现状
3.2.2 小波变换应用
3.3 小波包分析方法应用
3.3.1 小波包的定义
3.3.2 小波包算法
3.3.3 小波包能量特征的提出
3.4 小波函数的选择
3.4.1 常用的小波函数介绍
3.4.2 小波基的特性
3.4.3 滚动轴承故障信号处理中最佳小波基的选择
3.4.4 分解尺度的确定
3.5 小波（包）分析在工程车辆滚动轴承故障诊断中的应用
3.5.1 小波分析对工程车辆滚动轴承故障信号消噪
3.5.2 小波包分析对工程车辆滚动轴承故障信号消噪
3.6 本章小结
第四章 工程车辆滚动轴承故障类型的识别
4.1 基于BP 神经网络的故障识别系统设计
4.1.1 BP 神经网络的算法
4.1.2 BP 神经网络在滚动轴承故障诊断上的应用
4.2 支持向量机在工程车辆滚动轴承故障识别中的应用
4.2.1 支持向量机
4.2.2 支持向量机多分类方法
4.2.3 支持向量机在工程车辆滚动轴承故障诊断中的应用
4.2.3.1 “一对多”算法仿真
4.2.3.2 “一对一”算法仿真
4.3 本章小结
第五章 工程车辆滚动轴承故障诊断系统设计
5.1 信号采集及小波包预处理
5.2 人工神经网络分析
5.3 近邻函数准则结合DAG-SVMS 算法
第六章 结论与展望
致谢
参考文献
攻硕期间取得的研究成果
【参考文献】
本文编号：2887124
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：TH165.3
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 本论文研究的背景和意义
1.2 工程车辆滚动轴承故障诊断技术简介及分类
1.2.1 工程车辆滚动轴承信号处理方法
1.2.2 工程车辆滚动轴承故障类型识别方法
1.2.3 工程车辆滚动轴承故障诊断的步骤
1.2.4 工程车辆滚动轴承故障诊断研究现状及发展趋势
1.3 本论文的研究内容
第二章 工程车辆滚动轴承的故障机理及依据
2.1 工程车辆滚动轴承的旋转结构
2.2 工程车辆滚动轴承的振动类型
2.3 工程车辆滚动轴承的特征频率和固有振动频率
2.4 本章小结
第三章 基于小波（包）分析的故障信号预处理
3.1 傅里叶变换应用
3.2 小波分析方法
3.2.1 小波分析方法应用现状
3.2.2 小波变换应用
3.3 小波包分析方法应用
3.3.1 小波包的定义
3.3.2 小波包算法
3.3.3 小波包能量特征的提出
3.4 小波函数的选择
3.4.1 常用的小波函数介绍
3.4.2 小波基的特性
3.4.3 滚动轴承故障信号处理中最佳小波基的选择
3.4.4 分解尺度的确定
3.5 小波（包）分析在工程车辆滚动轴承故障诊断中的应用
3.5.1 小波分析对工程车辆滚动轴承故障信号消噪
3.5.2 小波包分析对工程车辆滚动轴承故障信号消噪
3.6 本章小结
第四章 工程车辆滚动轴承故障类型的识别
4.1 基于BP 神经网络的故障识别系统设计
4.1.1 BP 神经网络的算法
4.1.2 BP 神经网络在滚动轴承故障诊断上的应用
4.2 支持向量机在工程车辆滚动轴承故障识别中的应用
4.2.1 支持向量机
4.2.2 支持向量机多分类方法
4.2.3 支持向量机在工程车辆滚动轴承故障诊断中的应用
4.2.3.1 “一对多”算法仿真
4.2.3.2 “一对一”算法仿真
4.3 本章小结
第五章 工程车辆滚动轴承故障诊断系统设计
5.1 信号采集及小波包预处理
5.2 人工神经网络分析
5.3 近邻函数准则结合DAG-SVMS 算法
第六章 结论与展望
致谢
参考文献
攻硕期间取得的研究成果
【参考文献】
相关期刊论文 前10条
1 王悦;人工神经网络在经济效益综合评价中的应用[J];北京广播电视大学学报;2002年03期
2 张佩瑶,马孝江,王吉军,朱泓;小波包信号提取算法及其在故障诊断中的应用[J];大连理工大学学报;1997年01期
3 徐启华,师军;基于支持向量机的航空发动机故障诊断[J];航空动力学报;2005年02期
4 田振华,陆爽,田彦;高频共振法在滚动轴承故障诊断中的应用[J];吉林工业大学自然科学学报;1999年02期
5 李凌均,张周锁,何正嘉;支持向量机在机械故障诊断中的应用研究[J];计算机工程与应用;2002年19期
6 唐发明,王仲东,陈绵云;一种新的二叉树多类支持向量机算法[J];计算机工程与应用;2005年07期
7 王红军,徐小力;机电设备故障诊断和趋势预测的支持向量机方法[J];计算机工程与应用;2005年16期
8 肖健华;吴今培;;样本数目不对称时的SVM模型[J];计算机科学;2003年02期
9 祁亨年;支持向量机及其应用研究综述[J];计算机工程;2004年10期
10 刘忠祥,邱阿瑞,刘玉伟;小波变换在滚动轴承故障诊断中的应用[J];机械工程师;2002年03期
相关硕士学位论文 前1条
1 陈兴辉;基于小波与支持向量机的滚动轴承故障诊断[D];太原理工大学;2006年
本文编号：2887124
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2887124.html
