基于NLM-VMD和度量学习的滚动轴承故障诊断研究
发布时间：2020-12-08 17:46
滚动轴承作为旋转机械设备的重要组成部分,在工业生产中应用非常广泛。轴承常常工作在高负载、高转速环境下,容易出现故障导致设备停机,甚至会对人身安全造成威胁。本文研究滚动轴承故障诊断这一极具现实意义的问题,基于振动信号将诊断分为特征提取和模型训练两部分,首先提出非局部均值去噪(NLM)与变分模式分解(VMD)结合的故障特征提取方法,接着引入度量学习改变样本分布提升分类器性能。在分析了国内外研究成果的基础上,本文提出了一种抗噪性能好、诊断精准度高的轴承诊断方法。本文对非局部均值去噪算法(NLM)做了深入分析,将其一维化并用于轴承振动信号去噪。针对NLM去噪效果受参数影响大的特性,提出应用贝叶斯优化NLM参数,以谱峭度和峰值信噪比结合作为优化目标函数,显著提升了NLM在处理低信噪比信号时的性能。现实中,受种种因素影响,采集到的真实轴承故障震动信号可能含有很强的环境噪声,针对低信噪比故障信号特征提取难的问题,本文提出非局部均值去噪和变分模态分解(VMD)结合的故障特征提取技术,利用VMD分解原始信号,选出代表故障特征信息的主模态分量,进一步使用贝叶斯优化的NLM对分量信号做去噪处理,解决了VMD...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
滚动轴承结构示意图
图 1-3 滚动轴承磨耗（左）和锈蚀（右）示意图1.3.3 滚动轴承的振动机理轴承在运转过程中，受多种因素的影响会产生振动，总体可以将其分为来源轴承本身的内部因素和来源外部的环境因素，如图 1-4 所示。内部因素包括轴承运转过程中内圈、外圈、滚动体与保持架间相互碰撞摩擦产生的振动，这部分振动信息一般变现的很平稳，声音听起来也比较轻微、柔和。不同的尺寸、材料和加工工艺都会导致轴承固有振动频率的差异。当轴承内部出现故障时，也会引发振动，特别是磨损、腐蚀、剥落这三类损伤故障，轴承在转动和负载作用下接触到故障部位时会产生周期性脉冲信号。另外，轴承加工装配的不规范和错误也会引发轴承的振动。外部因素则主要来自整个轴承工作系统，轴承在运转过程中也承受着来自其他器械的负载，旋转的轴承也会对整个工作系统产生激励作用引发共振。外部因素
华 中 科 技 大 学 硕 士 学 位 论 文表信噪比，PSNR 代表峰值信噪比，二者都是最通行的评价信号品质的指标。PRD代表失真率。最终复合信号x t 的采样波形图如图 2-2 所示，分别设定加性高斯白噪声的标准差 =0.3， 0. 5， 0. 7，用本文提出的快速非均质去噪算法、经验模态分解去噪算法、小波软阈值去噪滤波后的波形如图 2-3 所示。图 2-3 中每个图由四幅子图组成，子图一是加噪后的波形图，子图二是 NLM 去噪后波形图，子图三、四分别是经验模式分解和小波软阈值去噪后的波形图，同时列出 NLM 去噪后信号的指标的数据，如表 2-1 所示。
【参考文献】：
期刊论文
[1]基于VMD与粒子滤波的滚动轴承故障诊断[J]. 何洋洋,吕跃刚,刘俊承. 可再生能源. 2019(01)
[2]基于VMD的滚动轴承早期故障诊断方法[J]. 昝涛,庞兆亮,王民,高相胜. 北京工业大学学报. 2019(02)
[3]基于ITD和短时傅里叶变换的故障诊断方法[J]. 权振亚,张锟,史晓霞. 装备制造技术. 2018(12)
[4]基于LMD与随机森林的滚动轴承故障诊断[J]. 秦喜文,郭宇,郭佳静,董小刚,冯阳洋,王强进. 长春工业大学学报. 2018(05)
[5]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[6]基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 郑近德,潘海洋,戚晓利,张兴权,刘庆运. 电子学报. 2018(02)
[7]大型风力发电机组故障诊断综述[J]. 曾军,陈艳峰,杨苹,郭红霞. 电网技术. 2018(03)
[8]基于振动信号的轴承故障诊断技术综述[J]. 沙美妤,刘利国. 轴承. 2015(09)
[9]基于复数小波多尺度包络分析的风机滚动轴承故障特征提取[J]. 潘作为,梁双印,李惊涛,柳亦兵. 中国电机工程学报. 2015(16)
[10]基于模糊C-均值聚类的轴承性能衰退评估方法[J]. 吴军,郝刚,邓超,赵明. 计算机集成制造系统. 2015(04)
博士论文
[1]转子-轴承故障诊断方法研究[D]. 王冬云.燕山大学 2012
[2]Hilbert-Huang变换在旋转机械振动信号分析中的应用研究[D]. 胡爱军.华北电力大学（河北） 2008
硕士论文
[1]基于变分模态分解和随机共振的轴承故障自适应诊断研究[D]. 张嘉玲.西安理工大学 2018
[2]非局部均值滤波算法及其在滚动轴承故障诊断中的应用研究[D]. 祝青林.武汉科技大学 2015
[3]基于振动信号分析的滚动轴承故障特征提取与诊断研究[D]. 宋耀文.中国矿业大学 2015
本文编号：2905438
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
滚动轴承结构示意图
图 1-3 滚动轴承磨耗（左）和锈蚀（右）示意图1.3.3 滚动轴承的振动机理轴承在运转过程中，受多种因素的影响会产生振动，总体可以将其分为来源轴承本身的内部因素和来源外部的环境因素，如图 1-4 所示。内部因素包括轴承运转过程中内圈、外圈、滚动体与保持架间相互碰撞摩擦产生的振动，这部分振动信息一般变现的很平稳，声音听起来也比较轻微、柔和。不同的尺寸、材料和加工工艺都会导致轴承固有振动频率的差异。当轴承内部出现故障时，也会引发振动，特别是磨损、腐蚀、剥落这三类损伤故障，轴承在转动和负载作用下接触到故障部位时会产生周期性脉冲信号。另外，轴承加工装配的不规范和错误也会引发轴承的振动。外部因素则主要来自整个轴承工作系统，轴承在运转过程中也承受着来自其他器械的负载，旋转的轴承也会对整个工作系统产生激励作用引发共振。外部因素
华 中 科 技 大 学 硕 士 学 位 论 文表信噪比，PSNR 代表峰值信噪比，二者都是最通行的评价信号品质的指标。PRD代表失真率。最终复合信号x t 的采样波形图如图 2-2 所示，分别设定加性高斯白噪声的标准差 =0.3， 0. 5， 0. 7，用本文提出的快速非均质去噪算法、经验模态分解去噪算法、小波软阈值去噪滤波后的波形如图 2-3 所示。图 2-3 中每个图由四幅子图组成，子图一是加噪后的波形图，子图二是 NLM 去噪后波形图，子图三、四分别是经验模式分解和小波软阈值去噪后的波形图，同时列出 NLM 去噪后信号的指标的数据，如表 2-1 所示。
【参考文献】：
期刊论文
[1]基于VMD与粒子滤波的滚动轴承故障诊断[J]. 何洋洋,吕跃刚,刘俊承. 可再生能源. 2019(01)
[2]基于VMD的滚动轴承早期故障诊断方法[J]. 昝涛,庞兆亮,王民,高相胜. 北京工业大学学报. 2019(02)
[3]基于ITD和短时傅里叶变换的故障诊断方法[J]. 权振亚,张锟,史晓霞. 装备制造技术. 2018(12)
[4]基于LMD与随机森林的滚动轴承故障诊断[J]. 秦喜文,郭宇,郭佳静,董小刚,冯阳洋,王强进. 长春工业大学学报. 2018(05)
[5]基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J]. 李恒,张氢,秦仙蓉,孙远韬. 振动与冲击. 2018(19)
[6]基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用[J]. 郑近德,潘海洋,戚晓利,张兴权,刘庆运. 电子学报. 2018(02)
[7]大型风力发电机组故障诊断综述[J]. 曾军,陈艳峰,杨苹,郭红霞. 电网技术. 2018(03)
[8]基于振动信号的轴承故障诊断技术综述[J]. 沙美妤,刘利国. 轴承. 2015(09)
[9]基于复数小波多尺度包络分析的风机滚动轴承故障特征提取[J]. 潘作为,梁双印,李惊涛,柳亦兵. 中国电机工程学报. 2015(16)
[10]基于模糊C-均值聚类的轴承性能衰退评估方法[J]. 吴军,郝刚,邓超,赵明. 计算机集成制造系统. 2015(04)
博士论文
[1]转子-轴承故障诊断方法研究[D]. 王冬云.燕山大学 2012
[2]Hilbert-Huang变换在旋转机械振动信号分析中的应用研究[D]. 胡爱军.华北电力大学（河北） 2008
硕士论文
[1]基于变分模态分解和随机共振的轴承故障自适应诊断研究[D]. 张嘉玲.西安理工大学 2018
[2]非局部均值滤波算法及其在滚动轴承故障诊断中的应用研究[D]. 祝青林.武汉科技大学 2015
[3]基于振动信号分析的滚动轴承故障特征提取与诊断研究[D]. 宋耀文.中国矿业大学 2015
本文编号：2905438
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2905438.html
