基于输出信号相关性分析的轴承故障诊断方法

发布时间：2020-11-21 17:13

　　 滚动轴承的工作状态对设备性能甚至整个生产线的生产和安全都有直接的影响。因此,研究滚动轴承故障识别的相应技术对避免重大机械事故的发生具有重要的理论价值和现实意义。本文以滚动轴承为研究对象,针对特征选择以及故障识别这两个关键问题,运用相关性分析的方法和思想进行一系列研究工作。主要工作如下:(1)提出一种自功率谱函数分类方法(SPSF)。首先,通过自功率谱函数进行降噪处理以增强故障信号的频率特性;其次,通过对待测信号序列与先验信号序列集进行自功率谱函数相关性匹配分析,以获得信号之间的相似度;最后,依据相似度大小对故障进行分类。(2)提出一种基于MIC方法的两阶段特征选择方法。首先,利用MIC方法对具有强表示能力的特征进行分析、度量和排序;进一步对所选具有强表示能力的特征子集进行相似性分析和度量,达到去冗余目的;最后,基于给定分类器的分类结果对特征子集进行各种性能评价。(3)提出一种MIC-k-means特征选择方法。在选取出具有强表示能力的特征子集的基础上,利用MIC方法建立特征之间的相似度矩阵;进一步利用k-均值聚类方法进行特征聚类并获得聚类中心;最后,从每个聚类中选取一个代表性最强的特征,获得最优特征子集。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.3
【部分图文】：

杭州电子科技大学硕士学位论文(3) 故障诊断：利用已经提取的特征信息，用模式识别的方法对轴承进行运行状态的分析，从而判断故障是否发生。(4) 状态分析：当轴承被诊断为故障时，则需要识别相应的故障类型，此外还需分析故障发生的部位以及故障程度等具体信息。(5) 决策干预：根据轴承的当前工作状态以及发展趋势，对轴承进行适当的调整、控制、监视等决策，通过反馈信息干预轴承的工况。

方法实现过程为：首先，基于某一距离度量进行标准化，并从训待测样本 X 最接近的 k 个样本；然后，对 k 个训练样本中占多数，最后由统计情况来预测样本 X 的类别。的研究中，近邻思想在轴承故障领域中具有广泛应用[11, 12]。周海近邻元分析的轴承故障进行特征降维处理[13]，周哲提出了基于 k检测、故障隔离以及故障重构等问题进行研究[14]，刘君等对原始权处理，通过改进算法对故障进行诊断[15]。支持向量机的识别方式量机（Support Vector Machine, SVM）[16]，首先通过训练集特征过优化一个泛化误差界限自动生成最优分类面，使用该超平面对图 1.2 中，用带圈的数据表示支持向量，加号表示正例，减号表超平面中寻找使支持向量使得间隔 m 最大化的决策面作为最很好的泛化性能。SVM 方法只与支持向量有关而与特征空间实避了维度灾难，有助于提高分类准确性。基础几何原理如图 1.2 所

不同特征之间相似性的 MIC 值，建立对应的相似度量矩阵，通过设置相应的阈值对矩阵中的值进行判断，从而实现特征约减；3）在最后实验验证阶段，通过SVM 和 kNN 两种分类方法的分类准确性对特征子集性能进行验证，并与Pearson、MRMR、McTwo 三种特征选择方法进行实验对比，验证 MIC 方法所获得的特征子集最具有表征能力。第 5 章 基于 MIC-k-means 特征选择方法。针对第 4 章中由于人为设置阈值进行特征选取时阈值难选取以及选取不合适可能造成的结果不稳定等一系列问题。通过计算 MIC 特征与分类之间关联度以获得强特征的方法不变，本章在建立特征之间相似度矩阵的基础上，通过计算特征的贡献率对特征重新进行排序，以更新相似度矩阵。此外，提出通过 k-均值聚类方法取代原先阈值化方法进行特征约减，以达到更好地特征选择效果。通过对比实验说明该方法在特征选择方法的性能改进。第 6 章 总结全文工作。对本文中特征选择和故障识别改进方案和进一步研究指引方向。本文整体框架如下图 1.3 所示。
【相似文献】

相关期刊论文 前10条

1 邵岩;卢迪;杨广学;;分数阶傅里叶变换在轴承故障诊断中的应用[J];哈尔滨理工大学学报;2017年03期

2 乔世民;轴承故障诊断技术的发展[J];中国设备管理;1989年01期

3 鲍明;赵淳生;纪国宜;陈志强;;MDS-1轴承故障诊断系统[J];振动、测试与诊断;1989年04期

4 甄敬然;赵伟军;;基于经验模态分解和形态滤波的矿用轴承故障诊断[J];煤炭技术;2017年07期

5 沙美妤;刘利国;;基于振动信号的轴承故障诊断技术综述[J];轴承;2015年09期

6 山红伟;;煤矿机械齿轮和轴承故障诊断研究[J];科技致富向导;2015年17期

7 袁洪芳;姜宇萱;王华庆;;基于词袋模型和极限学习机的轴承故障诊断[J];测控技术;2017年02期

8 刘琦;;基于小波分析的轴承故障诊断研究[J];煤;2013年07期

9 苏明辉;薛光辉;赵国瑞;张明;;渣浆泵轴承故障诊断系统设计与应用[J];煤炭工程;2009年02期

10 江伟;;机车轴承故障诊断中的多智能传感器技术应用分析[J];铁路计算机应用;2008年03期

相关博士学位论文 前5条

1 梁瑜;地铁列车轴承故障诊断及在途诊断系统研究[D];北京交通大学;2014年

2 褚东亮;旋转机械故障信号分析及诊断技术研究[D];华北电力大学(北京);2017年

3 胡永涛;基于多特征融合及深度信念网络的轴承故障诊断[D];燕山大学;2017年

4 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年

5 周俊;机械故障信号欠定源估计与盲提取方法研究[D];昆明理工大学;2015年

相关硕士学位论文 前10条

1 谢乾坤;城轨列车轴承故障诊断试验系统设计与实现[D];长安大学;2018年

2 董德亿;基于输出信号相关性分析的轴承故障诊断方法[D];杭州电子科技大学;2018年

3 郑庆标;基于小波分析的轴承故障诊断系统的研制及应用[D];北京交通大学;2018年

4 黄阳;基于振动信号降噪与分解的轴承故障诊断研究[D];西安理工大学;2018年

5 罗映莲;基于改进粒子群和SVM的电机轴承故障诊断方法研究[D];大连交通大学;2017年

6 黄建新;多传感器数据融合技术在轴承故障诊断中的应用研究[D];武汉理工大学;2006年

7 张树波;基于阶次分析的风电轴承故障诊断[D];燕山大学;2017年

8 张涛;机车轴承故障诊断系统的研究与设计[D];中南大学;2005年

9 叶友谊;基于优化支持向量机的滚动轴承故障诊断[D];福州大学;2014年

10 Cristian López;基于改进随机共振法的轴承故障诊断[D];浙江大学;2017年

本文编号：2893334