基于数据驱动的滚动轴承故障诊断研究
发布时间：2021-04-04 19:30
滚动轴承作为旋转机械设备关键部件之一,发生故障会严重影响到旋转机械的安全稳定运行,研究滚动轴承故障诊断技术对于保障设备安全稳定运行,减少安全事故的发生以及降低设备维护成本,具有重要的现实意义与工程价值。滚动轴承振动信号能够及时准确的提供设备状态特征信息,且可被永久或间歇监测,因此被广泛用于滚动轴承故障诊断。轴承振动信号具有非线性与非平稳性,时频分析方法是分析此类信号的有效方法,但基于时频分析方法进行信号处理与特征提取,得到的原始特征集中会存在干扰以及冗余信息,需要从原始特征集中提取出有利于故障状态识别的敏感特征;对于高维特征集,需要进行降维处理,得到判别性能更好的低维特征集。针对上述问题,按照基于数据驱动的滚动轴承故障诊断过程中信号处理、特征提取、特征降维和模式识别四个关键环节开展如下相关研究工作:（1）研究基于最大重叠离散小波包变换（Maximum Overlap Discrete Wavelet Package Transform,MODWPT）的振动信号处理方法。利用MODWPT分解振动信号,对得到的终端节点进行单支重构,得到不同频率范围的重构信号,计算重构信号及其Hilbert...
【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】：127 页
【学位级别】：硕士
【部分图文】：
CWRU轴承故障振动信号采集试验台Figure2-2Bearingfaultvibrationsignalacquisitiontest-bedofCWRU
2 基于 MODWPT 的振动信号处理与特征提取FS 试验台由电机、变频器、轴承、加速度计以及底座支架构成。承型号为 SER205，如图 2-4 所示。基于此试验台可以模拟轴承在载下的运行状态，使用激光加工的方式制造尺寸为 0.05mm、0.1 的单点故障，包括内圈故障、外圈故障以及滚动体故障。基于此试固定负载和两种转速(1800 tr/min 与 1200 tr/min)下不同故障类型的，该试验台振动信号的采样频率为 16kHz。
30图 2-4 SER205 轴承Figure 2-4 SER205 bearing与特征提取动信号样本，首先进行四层 MODWPT 分于 MODWPT 分解树结构中第四层的每个节个不同频率范围的重构信号；再求得 16 个计算 16 个重构信号及其 Hilbert 包络谱的 6参数，统计参数的选择来源于文献[4,137,172的 192 个统计特征，从而构成原始特征集 所示。
【参考文献】：
期刊论文
[1]基于LTSA与K-最近邻分类器的故障诊断[J]. 姜景升,王华庆,柯燕亮,向伟. 振动与冲击. 2017(11)
[2]基于主元分析与KNN算法的旋转机械故障识别方法[J]. 张金萍,白广彬. 机械设计与制造. 2017(06)
[3]基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法[J]. 代俊习,郑近德,潘海洋,潘紫微. 中国机械工程. 2017(11)
[4]基于自相关EMD和快速谱峭度消噪的轴承故障诊断方法研究[J]. 段佳雷,王茹月,叱干博文. 自动化与仪器仪表. 2017(05)
[5]基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法[J]. 俞昆,谭继文,李善. 机床与液压. 2017(09)
[6]基于混合蛙跳优化神经网络的轴承故障诊断研究[J]. 王宇,魏秀业. 机械传动. 2017(05)
[7]基于局部Fisher判别分析的复杂化工过程故障诊断[J]. 郭金玉,韩建斌,李元,徐进学. 计算机应用研究. 2018(04)
[8]基于EMD的改进马田系统的滚动轴承故障诊断[J]. 陈俊洵,程龙生,胡绍林,余慧. 振动与冲击. 2017(05)
[9]噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究[J]. 王建国,陈帅,张超. 振动与冲击. 2017(05)
[10]基于自适应LTSA算法的滚动轴承故障诊断[J]. 佘博,田福庆,汤健,李克玉. 华中科技大学学报(自然科学版). 2017(01)
博士论文
[1]基于强噪声背景下随机共振的微弱故障诊断方法研究[D]. 李志星.北京科技大学 2018
[2]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[3]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[4]基于拉普拉斯特征映射算法的旋转机械故障诊断研究[D]. 李月仙.太原理工大学 2016
[5]基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D]. 曾鸣.湖南大学 2016
[6]旋转机械轴承振动信号分析方法研究[D]. 彭畅.重庆大学 2014
[7]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
[8]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
[9]滚动轴承振动信号处理及特征提取方法研究[D]. 苏文胜.大连理工大学 2010
[10]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]基于时频分析的滚动轴承故障诊断方法研究[D]. 赵怀山.西安理工大学 2017
[2]基于支持向量机的数控机床电主轴故障诊断研究[D]. 王泽星.合肥工业大学 2017
[3]基于KNN算法的空间手势识别研究与应用[D]. 张硕.吉林大学 2017
[4]基于机器学习的滚动轴承故障识别研究[D]. 陈春旭.中国矿业大学 2016
[5]滚动轴承非平稳信号故障诊断若干方法研究[D]. 朱军.中国科学技术大学 2016
[6]基于数据驱动的工业过程故障诊断方法研究[D]. 刘宝琪.大连海事大学 2016
[7]基于小波分析和在线极限学习机的滚动轴承故障诊断方法研究[D]. 韩宝珠.北京交通大学 2016
[8]基于数据驱动的船舶旋转机械故障诊断方法研究及应用[D]. 董晨辰.南京航空航天大学 2016
[9]基于Gabor-PCA和KNN-SVM的人脸识别算法[D]. 孙志帅.哈尔滨工程大学 2016
[10]基于EEMD的滚动轴承振动故障特征提取与诊断研究[D]. 刘觉晓.华北电力大学 2015
本文编号：3118346
【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】：127 页
【学位级别】：硕士
【部分图文】：
CWRU轴承故障振动信号采集试验台Figure2-2Bearingfaultvibrationsignalacquisitiontest-bedofCWRU
2 基于 MODWPT 的振动信号处理与特征提取FS 试验台由电机、变频器、轴承、加速度计以及底座支架构成。承型号为 SER205，如图 2-4 所示。基于此试验台可以模拟轴承在载下的运行状态，使用激光加工的方式制造尺寸为 0.05mm、0.1 的单点故障，包括内圈故障、外圈故障以及滚动体故障。基于此试固定负载和两种转速(1800 tr/min 与 1200 tr/min)下不同故障类型的，该试验台振动信号的采样频率为 16kHz。
30图 2-4 SER205 轴承Figure 2-4 SER205 bearing与特征提取动信号样本，首先进行四层 MODWPT 分于 MODWPT 分解树结构中第四层的每个节个不同频率范围的重构信号；再求得 16 个计算 16 个重构信号及其 Hilbert 包络谱的 6参数，统计参数的选择来源于文献[4,137,172的 192 个统计特征，从而构成原始特征集 所示。
【参考文献】：
期刊论文
[1]基于LTSA与K-最近邻分类器的故障诊断[J]. 姜景升,王华庆,柯燕亮,向伟. 振动与冲击. 2017(11)
[2]基于主元分析与KNN算法的旋转机械故障识别方法[J]. 张金萍,白广彬. 机械设计与制造. 2017(06)
[3]基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法[J]. 代俊习,郑近德,潘海洋,潘紫微. 中国机械工程. 2017(11)
[4]基于自相关EMD和快速谱峭度消噪的轴承故障诊断方法研究[J]. 段佳雷,王茹月,叱干博文. 自动化与仪器仪表. 2017(05)
[5]基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法[J]. 俞昆,谭继文,李善. 机床与液压. 2017(09)
[6]基于混合蛙跳优化神经网络的轴承故障诊断研究[J]. 王宇,魏秀业. 机械传动. 2017(05)
[7]基于局部Fisher判别分析的复杂化工过程故障诊断[J]. 郭金玉,韩建斌,李元,徐进学. 计算机应用研究. 2018(04)
[8]基于EMD的改进马田系统的滚动轴承故障诊断[J]. 陈俊洵,程龙生,胡绍林,余慧. 振动与冲击. 2017(05)
[9]噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究[J]. 王建国,陈帅,张超. 振动与冲击. 2017(05)
[10]基于自适应LTSA算法的滚动轴承故障诊断[J]. 佘博,田福庆,汤健,李克玉. 华中科技大学学报(自然科学版). 2017(01)
博士论文
[1]基于强噪声背景下随机共振的微弱故障诊断方法研究[D]. 李志星.北京科技大学 2018
[2]数据驱动的滚动轴承故障特征分析与诊断方法研究[D]. 俞啸.中国矿业大学 2017
[3]基于振动信号处理的滚动轴承故障诊断方法研究[D]. 王晓龙.华北电力大学(北京) 2017
[4]基于拉普拉斯特征映射算法的旋转机械故障诊断研究[D]. 李月仙.太原理工大学 2016
[5]基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D]. 曾鸣.湖南大学 2016
[6]旋转机械轴承振动信号分析方法研究[D]. 彭畅.重庆大学 2014
[7]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
[8]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
[9]滚动轴承振动信号处理及特征提取方法研究[D]. 苏文胜.大连理工大学 2010
[10]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]基于时频分析的滚动轴承故障诊断方法研究[D]. 赵怀山.西安理工大学 2017
[2]基于支持向量机的数控机床电主轴故障诊断研究[D]. 王泽星.合肥工业大学 2017
[3]基于KNN算法的空间手势识别研究与应用[D]. 张硕.吉林大学 2017
[4]基于机器学习的滚动轴承故障识别研究[D]. 陈春旭.中国矿业大学 2016
[5]滚动轴承非平稳信号故障诊断若干方法研究[D]. 朱军.中国科学技术大学 2016
[6]基于数据驱动的工业过程故障诊断方法研究[D]. 刘宝琪.大连海事大学 2016
[7]基于小波分析和在线极限学习机的滚动轴承故障诊断方法研究[D]. 韩宝珠.北京交通大学 2016
[8]基于数据驱动的船舶旋转机械故障诊断方法研究及应用[D]. 董晨辰.南京航空航天大学 2016
[9]基于Gabor-PCA和KNN-SVM的人脸识别算法[D]. 孙志帅.哈尔滨工程大学 2016
[10]基于EEMD的滚动轴承振动故障特征提取与诊断研究[D]. 刘觉晓.华北电力大学 2015
本文编号：3118346
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3118346.html
