基于异常检测算法的滚动轴承性能退化评估
发布时间：2021-03-19 22:46
在工业过程中旋转机械的健康状况是保证机械设备可靠性的关键。其中轴承是旋转机械中常用的部件并且是其工作失效的主要故障源。由于轴承在运转过程中其状态会经历从正常到失效的过程,如果能够实时监测轴承的运行状态就可以预防轴承故障的发生,从而避免不必要的经济损失。本文采用小波包分解加自回归模型（AR）的理论和方法对滚动轴承的振动信号进行特征提取,再用异常检测算法对滚动轴承的性能进行评估,具体工作内容如下:（1）针对传统的时域特征存在对特征信息的挖掘有限,监测效果不足等问题,本文对滚动轴承早期无故障数据和失效数据建立AR模型,并提取AR模型的系数和残差以及小波包分解的节点能量值作为特征向量输入到后续退化评估模型中。（2）针对基于模糊C均值（FCM）等统计距离型异常检测模型没有确定的上限值,而基于隐马尔科夫模型等的概率相似度异常检测算法又常常出现提前饱和现象,提出了一种FCM-HMM性能退化评估模型,提取特征后,把待测数据输入建立好的HMM和FCM模型中得到的退化指标P和DI作为两列输入特征,输入到建立好的FCM模型中,该融合模型集中了空间统计距离和相似度方法两者的优势,并且该模型能实现滚动轴承的性能...
【文章来源】：华东交通大学江西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究的背景与意义
1.2 国内外研究现状及发展趋势
1.3 本文的主要工作及内容安排
1.3.1 研究内容及思路
1.3.2 章节安排及内容概述
第二章 滚动轴承故障诊断的理论基础
2.1 研究对象分析
2.1.1 滚动轴承的失效形式
2.1.2 滚动轴承的振动机理
2.1.3 滚动轴承的故障特征频率计算
2.2 包络解调分析原理
2.3 试验数据来源及分析
2.4 本章小结
第三章 基于概率密度估计方法的异常检测算法
3.1 特征提取方法
3.1.1 时域特征提取
3.1.2 小波包分解
3.1.3 AR模型系数和残差
3.2 特征降维方法
3.2.1 局部线性嵌入（LocallyLinearEmbedding,LLE）
3.3 基于HMM模型的异常检测算法理论和算法
3.3.1 HMM基本概念及特点
3.3.2 HMM基本定义
3.3.3 HMM基本算法
3.4 实验数据来源
3.4.1 特征参数分析
3.4.2 特征矢量化与归一化
3.4.3 基于HMM模型的异常检测算法性能退化评估
3.5 本章小结
第四章 基于边界方法的异常检测算法
4.1 聚类分析
4.1.1 聚类分析的相关概念
4.1.2 相似性测度以及聚类准则
4.2 基于试探的聚类搜索算法
4.2.1 按最近邻规则的简单试探法
4.2.2 动态聚类法
4.2.3 聚类结果的评价
4.3 模糊模式识别
4.3.1 模糊关系
4.3.2 隶属度的确定
4.3.3 模糊聚类分析
4.4 基于边界模型的异常检测算法
4.5 模型的建立与试验结果
4.5.1 评估模型的建立
4.5.2 报警阈值设定
4.5.3 实验与结果分析
4.5.4 包络谱分析
4.6 本章小结
第五章 基于FCM-HMM的滚动轴承的性能退化评估方法
5.1 融合型异常检测模型
5.1.1 FCM-HMM模型
5.1.2 模型的建立与指标提取步骤
5.2 FCM-HMM评估结果
5.3 IEEEPHM2012试验介绍
5.4 基于异常检测算法的性能退化评估结果及分析
5.4.1 基于异常检测的边界方法
5.4.2 基于异常检测的概率密度估计方法
5.4.3 基于异常检测的融合型方法
5.5 风力涡轮发电机（WTG）组高速轴承试验
5.5.1 试验结果及分析
5.6 本章小结
第六章 基于模型重构的异常检测算法
6.1 神经网络基础分类
6.1.1 BP神经网络
6.1.2 RBF（径向基）神经网络
6.2 基于AANN-FCM模型重构算法的实现步骤
6.3 基于AANN-FCM模型重构算法的实验及结果分析
6.3.1 特征提取
6.3.2 实验及实验分析
6.4 本章小结
第七章 结论
7.1 结论
7.2 主要创新点
7.3 展望
参考文献
个人简历在读期间发表的学术论文情况
致谢
【参考文献】：
期刊论文
[1]基于小波包和SOM神经网络的电作动器故障诊断[J]. 田瑶瑶,张惠娟,杨忠,李小明,张辉斌. 应用科技. 2018(01)
[2]基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J]. 周建民,郭慧娟,张龙. 机械设计与研究. 2017(06)
[3]基于AR-FCM的滚动轴承的性能退化评估[J]. 周建民,郭慧娟,张龙. 机械传动. 2017(12)
[4]基于遗传算法的BP神经网络的变压器故障预测[J]. 于莹,袁萍,刘晓龙. 山东工业技术. 2017(24)
[5]基于时间序列与小波分离的畸变信号的分析[J]. 张恩瑜,庞懿元,潘越. 科技创新与应用. 2017(28)
[6]一种融合型异常检测算法及其在轴承性能退化评估中的应用[J]. 周建民,郭慧娟,张龙. 制造技术与机床. 2017(10)
[7]基于隐马尔科夫模型的滚动轴承性能退化评估[J]. 周建民,郭慧娟,张龙. 华东交通大学学报. 2017(04)
[8]基于小波包与SOM神经网络的传感器故障诊断[J]. 李娟娟,孟国营,谢广明,贾一凡. 传感技术学报. 2017(07)
[9]地震波信号的小波包分解及能量分布特征[J]. 杜剑,毛毳,林贝贝. 天津城建大学学报. 2017(03)
[10]结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估[J]. 周建民,徐清瑶,张龙,李鹏. 机械科学与技术. 2016(12)
博士论文
[1]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
[2]基于循环平稳和盲源分离的滚动轴承故障特征提取方法研究[D]. 明阳.上海交通大学 2013
[3]滚动轴承表面损伤故障的特征提取与诊断方法研究[D]. 隋文涛.山东大学 2011
[4]交通领域中的聚类分析方法研究[D]. 李桃迎.大连海事大学 2010
[5]计算智能在机械设备故障诊断中的应用研究[D]. 冯志鹏.大连理工大学 2003
硕士论文
[1]基于模糊聚类分析县域土地整理分区研究[D]. 朱慕熔.江西师范大学 2016
[2]模糊关系一些性质的极大内部与极小闭包的研究[D]. 杨晓晨.太原理工大学 2016
[3]滚动轴承变工况条件下静电监测特征提取及故障程度识别方法研究[D]. 佟佩声.南京航空航天大学 2014
[4]基于振动特征提取的滚动轴承故障诊断方法研究[D]. 廖星智.昆明理工大学 2014
[5]基于隐马尔可夫链的证券价格模型及实证分析[D]. 龚健.复旦大学 2011
[6]齿轮和滚动轴承故障的振动诊断[D]. 陈刚.西北工业大学 2007
[7]动态聚类法研究[D]. 徐艺萍.西南大学 2006
[8]基于能量算子解调法的滚动轴承故障诊断技术研究[D]. 王青松.重庆大学 2004
本文编号：3090363
【文章来源】：华东交通大学江西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究的背景与意义
1.2 国内外研究现状及发展趋势
1.3 本文的主要工作及内容安排
1.3.1 研究内容及思路
1.3.2 章节安排及内容概述
第二章 滚动轴承故障诊断的理论基础
2.1 研究对象分析
2.1.1 滚动轴承的失效形式
2.1.2 滚动轴承的振动机理
2.1.3 滚动轴承的故障特征频率计算
2.2 包络解调分析原理
2.3 试验数据来源及分析
2.4 本章小结
第三章 基于概率密度估计方法的异常检测算法
3.1 特征提取方法
3.1.1 时域特征提取
3.1.2 小波包分解
3.1.3 AR模型系数和残差
3.2 特征降维方法
3.2.1 局部线性嵌入（LocallyLinearEmbedding,LLE）
3.3 基于HMM模型的异常检测算法理论和算法
3.3.1 HMM基本概念及特点
3.3.2 HMM基本定义
3.3.3 HMM基本算法
3.4 实验数据来源
3.4.1 特征参数分析
3.4.2 特征矢量化与归一化
3.4.3 基于HMM模型的异常检测算法性能退化评估
3.5 本章小结
第四章 基于边界方法的异常检测算法
4.1 聚类分析
4.1.1 聚类分析的相关概念
4.1.2 相似性测度以及聚类准则
4.2 基于试探的聚类搜索算法
4.2.1 按最近邻规则的简单试探法
4.2.2 动态聚类法
4.2.3 聚类结果的评价
4.3 模糊模式识别
4.3.1 模糊关系
4.3.2 隶属度的确定
4.3.3 模糊聚类分析
4.4 基于边界模型的异常检测算法
4.5 模型的建立与试验结果
4.5.1 评估模型的建立
4.5.2 报警阈值设定
4.5.3 实验与结果分析
4.5.4 包络谱分析
4.6 本章小结
第五章 基于FCM-HMM的滚动轴承的性能退化评估方法
5.1 融合型异常检测模型
5.1.1 FCM-HMM模型
5.1.2 模型的建立与指标提取步骤
5.2 FCM-HMM评估结果
5.3 IEEEPHM2012试验介绍
5.4 基于异常检测算法的性能退化评估结果及分析
5.4.1 基于异常检测的边界方法
5.4.2 基于异常检测的概率密度估计方法
5.4.3 基于异常检测的融合型方法
5.5 风力涡轮发电机（WTG）组高速轴承试验
5.5.1 试验结果及分析
5.6 本章小结
第六章 基于模型重构的异常检测算法
6.1 神经网络基础分类
6.1.1 BP神经网络
6.1.2 RBF（径向基）神经网络
6.2 基于AANN-FCM模型重构算法的实现步骤
6.3 基于AANN-FCM模型重构算法的实验及结果分析
6.3.1 特征提取
6.3.2 实验及实验分析
6.4 本章小结
第七章 结论
7.1 结论
7.2 主要创新点
7.3 展望
参考文献
个人简历在读期间发表的学术论文情况
致谢
【参考文献】：
期刊论文
[1]基于小波包和SOM神经网络的电作动器故障诊断[J]. 田瑶瑶,张惠娟,杨忠,李小明,张辉斌. 应用科技. 2018(01)
[2]基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法[J]. 周建民,郭慧娟,张龙. 机械设计与研究. 2017(06)
[3]基于AR-FCM的滚动轴承的性能退化评估[J]. 周建民,郭慧娟,张龙. 机械传动. 2017(12)
[4]基于遗传算法的BP神经网络的变压器故障预测[J]. 于莹,袁萍,刘晓龙. 山东工业技术. 2017(24)
[5]基于时间序列与小波分离的畸变信号的分析[J]. 张恩瑜,庞懿元,潘越. 科技创新与应用. 2017(28)
[6]一种融合型异常检测算法及其在轴承性能退化评估中的应用[J]. 周建民,郭慧娟,张龙. 制造技术与机床. 2017(10)
[7]基于隐马尔科夫模型的滚动轴承性能退化评估[J]. 周建民,郭慧娟,张龙. 华东交通大学学报. 2017(04)
[8]基于小波包与SOM神经网络的传感器故障诊断[J]. 李娟娟,孟国营,谢广明,贾一凡. 传感技术学报. 2017(07)
[9]地震波信号的小波包分解及能量分布特征[J]. 杜剑,毛毳,林贝贝. 天津城建大学学报. 2017(03)
[10]结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估[J]. 周建民,徐清瑶,张龙,李鹏. 机械科学与技术. 2016(12)
博士论文
[1]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
[2]基于循环平稳和盲源分离的滚动轴承故障特征提取方法研究[D]. 明阳.上海交通大学 2013
[3]滚动轴承表面损伤故障的特征提取与诊断方法研究[D]. 隋文涛.山东大学 2011
[4]交通领域中的聚类分析方法研究[D]. 李桃迎.大连海事大学 2010
[5]计算智能在机械设备故障诊断中的应用研究[D]. 冯志鹏.大连理工大学 2003
硕士论文
[1]基于模糊聚类分析县域土地整理分区研究[D]. 朱慕熔.江西师范大学 2016
[2]模糊关系一些性质的极大内部与极小闭包的研究[D]. 杨晓晨.太原理工大学 2016
[3]滚动轴承变工况条件下静电监测特征提取及故障程度识别方法研究[D]. 佟佩声.南京航空航天大学 2014
[4]基于振动特征提取的滚动轴承故障诊断方法研究[D]. 廖星智.昆明理工大学 2014
[5]基于隐马尔可夫链的证券价格模型及实证分析[D]. 龚健.复旦大学 2011
[6]齿轮和滚动轴承故障的振动诊断[D]. 陈刚.西北工业大学 2007
[7]动态聚类法研究[D]. 徐艺萍.西南大学 2006
[8]基于能量算子解调法的滚动轴承故障诊断技术研究[D]. 王青松.重庆大学 2004
本文编号：3090363
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3090363.html
