基于机器学习的轴承故障噪声诊断方法研究

发布时间：2020-12-29 23:31

　　滚动轴承被称作旋转机械的“心脏”,同时也是旋转机械中最容易受损的部件之一。为了实时、准确、高效地识别滚动轴承的运行状态,结合机器学习的手段对滚动轴承实施故障诊断意义重大。然而,传统的振动信号故障诊断方法需要安装振动传感器从而对机械设备造成损伤。针对这一问题,本文将旋转机械运行时的噪声信号作为轴承状态的监测信号,利用噪声信号非接触式测量的优点,克服了振动信号故障诊断方法的不足。本文对滚动轴承噪声信号的特征提取、特征筛选以及故障分类算法进行了研究,提出了一种基于MFCC-CDET的滚动轴承故障噪声诊断算法。将美尔倒谱系数（MFCC）作为噪声信号的特征向量,引入补偿距离评估技术（CDET）进行特征筛选,将筛选后的特征输入支持向量机（SVM）分类器进行故障分类,并通过实验验证了这一方法的有效性与优越性。针对滚动轴承状态监测初期,样本库中没有故障样本的情况下有监督分类算法无法施展的问题,采用机器学习中无监督的异常检测算法,将样本库中存在的正常样本视作目标样本,引入单高斯模型对正常样本集进行边界建模,用于滚动轴承异常状态检测。将基于单高斯模型的边界建模算法与基于支持向量描述（SVDD）的边界建模算... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

故障诊断流程

图 3-6 故障诊断模拟实验台Figure 3-6 Fault diagnosis simulation experiment通过噪声传感器采集了旋转设备在四种轴承运行状态下的噪声信号。电机为 1800rpm，噪声采样频率为 44100Hz。轴承外圈故障、滚珠故障、内圈故障常四类状态模式下的噪声信号如图 3-7、图 3-8 所示。0 1 2 3 4 5 6 7 8 9 10x 104-101幅值外圈故障0 1 2 3 4 5 6 7 8 9 104-101采样点（个）幅值滚珠故障


本文编号：2946542