基于流形学习的滚动轴承故障识别的研究
发布时间：2020-12-24 15:00
滚动轴承是旋转机械中关键的零部件之一,也是应用最广泛的零件。滚动轴承的运转状态直接影响整个设备的正常运行,由于其自身工作特性以及所处的工作环境导致滚动轴承较容易发生故障。因此,能够及时准确地对滚动轴承进行故障的诊断和识别,不仅能够使设备可靠稳定的运行,而且具有重要的现实意义。流形学习是一种新型的维数约简方法,该方法适合处理非线性、非平稳的轴承振动信号。本文首先采用相空间重构技术和流形学习方法中的LTSA算法结合对滚动轴承的振动信号进行降噪处理;对降噪后的信号通过傅里叶变换得到时域、频域等特征形成多域特征集,对多域特征集通过FCBF算法选择出敏感特征;最后提出了基于局部线性判别嵌入（LLDE）和支持向量机（SVM）滚动轴承故障识别模型,先利用LLDE对降噪后的信号进行特征提取,再将提取后的特征输入到训练好的SVM中对滚动轴承进行分类识别。由于滚动轴承的故障是一个由轻微到严重的发展过程,因此在确定故障类型的前提下对滚动体故障进行损伤程度的识别。通过轴承故障的实际数据进行验证,结果表明该故障识别模型能够很好的对滚动轴承的故障类型以及故障程度进行识别。通过对比k-近邻分类器识别效果,得到SVM...
【文章来源】：沈阳理工大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
滚动轴承基本结构
图 3.1 相空间-流形学习降噪流程Fig. 3.1 phase space manifold learning noise reduction process将选取四种不同状态的第一组数据进行处理。降噪时先对相空间重参数选择，本文采用 C-C 方法确定时间延迟 ，Cao 方法确定嵌入维数方法选择第一个极小值点作为最优时间延迟 ，根据Cao方法，当 1 1时，可以从图中得到嵌入维数 m 的值，即为最小嵌入维数。四种状间延迟和嵌入维数参数的图如下所示。
图 3.1 相空间-流形学习降噪流程Fig. 3.1 phase space manifold learning noise reduction process实验将选取四种不同状态的第一组数据进行处理。降噪时先对相空间重构的方法进行参数选择，本文采用 C-C 方法确定时间延迟 ，Cao 方法确定嵌入维数 m。根据C-C方法选择第一个极小值点作为最优时间延迟 ，根据Cao方法，当 1( ) =2( ) = 1时，可以从图中得到嵌入维数 m 的值，即为最小嵌入维数。四种状态下的确定时间延迟和嵌入维数参数的图如下所示。
【参考文献】：
期刊论文
[1]基于归一化互信息的FCBF特征选择算法[J]. 段宏湘,张秋余,张墨逸. 华中科技大学学报(自然科学版). 2017(01)
[2]航空发动机状态参数的关联维数分析[J]. 李晓娟,曲建岭,邹文栋,邸亚洲. 计算机仿真. 2013(09)
[3]利用非线性流形学习的轴承早期故障特征提取方法[J]. 栗茂林,王孙安,梁霖. 西安交通大学学报. 2010(05)
[4]基于加权相空间重构降噪及样本熵的齿轮故障分类[J]. 吕勇,李友荣,肖涵,王志刚. 振动工程学报. 2009(05)
[5]非线性时间序列的相空间重构技术研究[J]. 秦奕青,蔡卫东,杨炳儒. 系统仿真学报. 2008(11)
[6]基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用[J]. 阳建宏,徐金梧,杨德斌,黎敏. 机械工程学报. 2006(08)
[7]基于重采样的混沌时间序列相空间重构研究[J]. 李夕海,刘代志,张斌,翟为刚. 信号处理. 2006(02)
[8]基于非线性降维的图像识别[J]. 谭璐,易东云,吴翊,袁伟. 计算机工程. 2005(13)
[9]混沌时间序列分析中的相空间重构技术综述[J]. 陈铿,韩伯棠. 计算机科学. 2005(04)
[10]线性低秩逼近与非线性降维[J]. 张振跃,查宏远. 中国科学(A辑:数学). 2005(03)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]基于泛化流形学习的风电机组传动系统早期故障诊断方法研究[D]. 苏祖强.重庆大学 2015
[3]基于小波分析-EEMD-BSS与改进的KNN算法的振动筛振动电机滚动轴承故障信号提取和故障识别研究[D]. 孙长飞.西安建筑科技大学 2014
[4]流形学习及其应用算法研究[D]. 杜春.国防科学技术大学 2014
[5]滚动轴承振动信号特征提取及诊断方法研究[D]. 朱可恒.大连理工大学 2013
[6]基于流形学习的滚动轴承故障诊断若干方法研究[D]. 王雷.大连理工大学 2013
[7]基于重构相空间的结构损伤检测方法及可视化研究[D]. 聂振华.暨南大学 2012
[8]基于耦合隐马尔可夫模型的滚动轴承故障诊断与性能退化评估研究[D]. 肖文斌.上海交通大学 2011
[9]基于改进支持向量机和纹理图像分析的旋转机械故障诊断[D]. 刘路.天津大学 2011
[10]基于流形学习的旋转机械故障诊断方法研究[D]. 王广斌.中南大学 2010
硕士论文
[1]基于ReliefF-FCBF组合的入侵特征选择算法研究[D]. 黄春虎.新疆大学 2016
[2]聚类算法在转子故障诊断中的应用[D]. 刘江炜.西安工业大学 2015
[3]基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究[D]. 李亮.燕山大学 2013
[4]基于MLE的本征维数估计方法研究[D]. 傅保伟.东北师范大学 2010
[5]基于小波神经网络的机械故障诊断方法的研究[D]. 郑令.大连交通大学 2009
[6]基于EMD与支持向量机的转子故障诊断方法研究[D]. 陈淼峰.湖南大学 2005
本文编号：2935858
【文章来源】：沈阳理工大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
滚动轴承基本结构
图 3.1 相空间-流形学习降噪流程Fig. 3.1 phase space manifold learning noise reduction process将选取四种不同状态的第一组数据进行处理。降噪时先对相空间重参数选择，本文采用 C-C 方法确定时间延迟 ，Cao 方法确定嵌入维数方法选择第一个极小值点作为最优时间延迟 ，根据Cao方法，当 1 1时，可以从图中得到嵌入维数 m 的值，即为最小嵌入维数。四种状间延迟和嵌入维数参数的图如下所示。
图 3.1 相空间-流形学习降噪流程Fig. 3.1 phase space manifold learning noise reduction process实验将选取四种不同状态的第一组数据进行处理。降噪时先对相空间重构的方法进行参数选择，本文采用 C-C 方法确定时间延迟 ，Cao 方法确定嵌入维数 m。根据C-C方法选择第一个极小值点作为最优时间延迟 ，根据Cao方法，当 1( ) =2( ) = 1时，可以从图中得到嵌入维数 m 的值，即为最小嵌入维数。四种状态下的确定时间延迟和嵌入维数参数的图如下所示。
【参考文献】：
期刊论文
[1]基于归一化互信息的FCBF特征选择算法[J]. 段宏湘,张秋余,张墨逸. 华中科技大学学报(自然科学版). 2017(01)
[2]航空发动机状态参数的关联维数分析[J]. 李晓娟,曲建岭,邹文栋,邸亚洲. 计算机仿真. 2013(09)
[3]利用非线性流形学习的轴承早期故障特征提取方法[J]. 栗茂林,王孙安,梁霖. 西安交通大学学报. 2010(05)
[4]基于加权相空间重构降噪及样本熵的齿轮故障分类[J]. 吕勇,李友荣,肖涵,王志刚. 振动工程学报. 2009(05)
[5]非线性时间序列的相空间重构技术研究[J]. 秦奕青,蔡卫东,杨炳儒. 系统仿真学报. 2008(11)
[6]基于主流形识别的非线性时间序列降噪方法及其在故障诊断中的应用[J]. 阳建宏,徐金梧,杨德斌,黎敏. 机械工程学报. 2006(08)
[7]基于重采样的混沌时间序列相空间重构研究[J]. 李夕海,刘代志,张斌,翟为刚. 信号处理. 2006(02)
[8]基于非线性降维的图像识别[J]. 谭璐,易东云,吴翊,袁伟. 计算机工程. 2005(13)
[9]混沌时间序列分析中的相空间重构技术综述[J]. 陈铿,韩伯棠. 计算机科学. 2005(04)
[10]线性低秩逼近与非线性降维[J]. 张振跃,查宏远. 中国科学(A辑:数学). 2005(03)
博士论文
[1]旋转机械故障诊断与预测方法及其应用研究[D]. 武哲.北京交通大学 2016
[2]基于泛化流形学习的风电机组传动系统早期故障诊断方法研究[D]. 苏祖强.重庆大学 2015
[3]基于小波分析-EEMD-BSS与改进的KNN算法的振动筛振动电机滚动轴承故障信号提取和故障识别研究[D]. 孙长飞.西安建筑科技大学 2014
[4]流形学习及其应用算法研究[D]. 杜春.国防科学技术大学 2014
[5]滚动轴承振动信号特征提取及诊断方法研究[D]. 朱可恒.大连理工大学 2013
[6]基于流形学习的滚动轴承故障诊断若干方法研究[D]. 王雷.大连理工大学 2013
[7]基于重构相空间的结构损伤检测方法及可视化研究[D]. 聂振华.暨南大学 2012
[8]基于耦合隐马尔可夫模型的滚动轴承故障诊断与性能退化评估研究[D]. 肖文斌.上海交通大学 2011
[9]基于改进支持向量机和纹理图像分析的旋转机械故障诊断[D]. 刘路.天津大学 2011
[10]基于流形学习的旋转机械故障诊断方法研究[D]. 王广斌.中南大学 2010
硕士论文
[1]基于ReliefF-FCBF组合的入侵特征选择算法研究[D]. 黄春虎.新疆大学 2016
[2]聚类算法在转子故障诊断中的应用[D]. 刘江炜.西安工业大学 2015
[3]基于EEMD样本熵和模糊聚类的轴承故障诊断方法研究[D]. 李亮.燕山大学 2013
[4]基于MLE的本征维数估计方法研究[D]. 傅保伟.东北师范大学 2010
[5]基于小波神经网络的机械故障诊断方法的研究[D]. 郑令.大连交通大学 2009
[6]基于EMD与支持向量机的转子故障诊断方法研究[D]. 陈淼峰.湖南大学 2005
本文编号：2935858
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2935858.html
