基于压缩感知和机器学习的滚动轴承故障诊断方法研究
发布时间：2021-06-15 11:45
旋转机械设备长期工作运转在恶劣环境下,复杂结构和精密工艺致使零件失效与设备故障的原因和类型多样化,滚动轴承极易受损间接导致整个机械系统崩溃或发生重大危险事故,轴承故障诊断及其在线状态监测至关重要。传统机械故障诊断方法面临海量测试数据、特征提取困难、模式分类精度低等棘手问题。基于振动分析诊断方法,本文结合压缩感知理论和机器学习模型,提出了三种效果显著的滚动轴承故障诊断方法,减少了计算量和存储资源开销,极大地缓解了模式分类压力,有效地提高了故障诊断效率。具体研究工作如下:（1）介绍了旋转机械故障诊断和压缩感知技术的国内外研究现状;概述了滚动轴承的基本结构、故障形式及振动机理;分析了机械故障诊断的实现方法;阐述了压缩感知技术涉及的稀疏表示、压缩测量和信号重构等基本原理。（2）基于压缩感知和启发式神经网络的滚动轴承故障诊断方法:由于采集的振动数据常淹没于环境噪声中,并考虑到传统小波和经验模态分解的局限性,将第二代小波和三次埃尔米特插值函数的局部均值分解算法相结合对振动信号进行预处理;利用压缩感知技术进行振动数据降维和特征提取;将构造的精简样本集送入启发式神经网络进行故障分类。大量仿真实验结果表...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.2.1 旋转机械故障诊断技术研究现状
1.2.2 压缩感知技术研究现状
1.3 旋转机械故障诊断技术面临的主要挑战
1.4 论文的主要工作及结构安排
第2章 旋转机械故障诊断机理及其方法研究
2.1 滚动轴承的故障机理
2.1.1 基本结构
2.1.2 故障形式
2.1.3 振动机理
2.2 旋转机械故障诊断技术
2.2.1 通用机械故障诊断方法
2.2.2 信号预处理方法
2.2.3 特征信息提取方法
2.2.4 模式识别方法
2.3 压缩感知技术
2.3.1 压缩感知框架
2.3.2 信号稀疏表示
2.3.3 压缩测量过程
2.3.4 信号重构过程
2.4 本章小结
第3章 基于压缩感知和启发式神经网络的滚动轴承故障诊断方法
3.1 滚动轴承振动信号预处理
3.1.1 基于阈值的第二代小波去噪算法
3.1.2 基于三次埃尔米特插值函数的局部均值分解算法
3.2 基于压缩感知技术的滚动轴承故障特征提取
3.2.1 PF分量信号的稀疏表示
3.2.2 PF分量信号的压缩测量与特征提取
3.2.3 PF分量信号的重构过程
3.3 基于启发式神经网络的滚动轴承故障诊断
3.3.1 启发式神经网络的构造
3.3.2 滚动轴承故障诊断实现流程
3.4 实验仿真与结果分析
3.4.1 内圈故障振动信号时频分析与特征提取
3.4.2 外圈故障振动信号时频分析与特征提取
3.4.3 球故障振动信号时频分析与特征提取
3.4.4 不同数据集的滚动轴承故障诊断
3.5 本章小结
第4章 基于压缩感知和邻域粗糙集的PSO-SVM滚动轴承故障诊断方法
4.1 基于阈值的自适应冗余提升小波包的振动信号去噪
4.2 基于压缩感知和邻域粗糙集的滚动轴承故障特征提取
4.2.1 基于压缩感知的候选特征提取算法
4.2.2 基于邻域粗糙集的敏感特征选择算法
4.3 基于优化的支持向量机的滚动轴承故障诊断
4.3.1 PSO-SVM分类器的构造
4.3.2 滚动轴承故障诊断实现流程
4.4 实验仿真与结果分析
4.4.1 不同故障振动信号的去噪
4.4.2 不同故障振动信号的特征提取和选择
4.4.3 不同数据集的滚动轴承故障诊断
4.5 本章小结
第5章 基于混合时频分析和随机森林的滚动轴承故障诊断方法
5.1 基于混合时频分析的滚动轴承故障特征提取
5.1.1 基于自适应噪声的完备经验模态分解算法
5.1.2 基于谱峭度的自适应冗余提升小波包去噪算法
5.2 基于随机森林的滚动轴承故障诊断
5.3 实验仿真与结果分析
5.3.1 不同故障振动信号的特征提取
5.3.2 不同数据集的滚动轴承故障诊断
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文
攻读硕士学位期间获得的奖励
攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]基于压缩信息特征提取的滚动轴承故障诊断方法[J]. 孟宗,李晶,龙海峰,潘作舟. 中国机械工程. 2017(07)
[2]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
[3]经验模态分解和小波包变换的表面等离子体共振光谱降噪方法[J]. 张倩昀,张华. 测试技术学报. 2016(05)
[4]结构裂纹损伤的Lamb波层析成像监测与评估研究[J]. 王强,胥静,王梦欣,宋春晓. 机械工程学报. 2016(06)
[5]自适应冗余提升小波包变换的滚动轴承故障诊断新方法[J]. 肖顺根,宋萌萌,赖联锋. 机械强度. 2015(05)
[6]基于经验模态分解及独立成分分析的微震信号降噪方法[J]. 贾瑞生,赵同彬,孙红梅,闫相宏. 地球物理学报. 2015(03)
[7]基于压缩感知技术的旋转机械碰摩声发射信号压缩[J]. 秦康,邓艾东,张红星,唐标,颜喜. 中国电机工程学报. 2013(S1)
[8]冗余提升多小波包的构造及其应用[J]. 陈敬龙,张来斌,杨霖. 中国石油大学学报(自然科学版). 2013(01)
[9]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
[10]自适应冗余第二代小波在信号去噪中的应用[J]. 何伟,王义,李华兴. 矿山机械. 2012(02)
博士论文
[1]压缩感知及其在旋转机械健康监测中的应用[D]. 张新鹏.国防科学技术大学 2015
[2]自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D]. 崔宝珍.中北大学 2013
[3]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
[4]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
[5]基于循环平稳的滚动轴承及齿轮微弱故障特征提取应用研究[D]. 毕果.上海交通大学 2007
[6]基于人工智能和虚拟仪器技术的发动机故障诊断专家系统研究[D]. 李增芳.浙江大学 2004
硕士论文
[1]基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲.西南交通大学 2016
[2]基于贝叶斯压缩感知理论与技术研究[D]. 张博.电子科技大学 2015
[3]基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D]. 王秀娟.电子科技大学 2014
[4]基于EMD和共振解调的滚动轴承故障诊断方法研究[D]. 朱汉明.上海师范大学 2011
本文编号：3230995
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究意义
1.2 国内外研究现状
1.2.1 旋转机械故障诊断技术研究现状
1.2.2 压缩感知技术研究现状
1.3 旋转机械故障诊断技术面临的主要挑战
1.4 论文的主要工作及结构安排
第2章 旋转机械故障诊断机理及其方法研究
2.1 滚动轴承的故障机理
2.1.1 基本结构
2.1.2 故障形式
2.1.3 振动机理
2.2 旋转机械故障诊断技术
2.2.1 通用机械故障诊断方法
2.2.2 信号预处理方法
2.2.3 特征信息提取方法
2.2.4 模式识别方法
2.3 压缩感知技术
2.3.1 压缩感知框架
2.3.2 信号稀疏表示
2.3.3 压缩测量过程
2.3.4 信号重构过程
2.4 本章小结
第3章 基于压缩感知和启发式神经网络的滚动轴承故障诊断方法
3.1 滚动轴承振动信号预处理
3.1.1 基于阈值的第二代小波去噪算法
3.1.2 基于三次埃尔米特插值函数的局部均值分解算法
3.2 基于压缩感知技术的滚动轴承故障特征提取
3.2.1 PF分量信号的稀疏表示
3.2.2 PF分量信号的压缩测量与特征提取
3.2.3 PF分量信号的重构过程
3.3 基于启发式神经网络的滚动轴承故障诊断
3.3.1 启发式神经网络的构造
3.3.2 滚动轴承故障诊断实现流程
3.4 实验仿真与结果分析
3.4.1 内圈故障振动信号时频分析与特征提取
3.4.2 外圈故障振动信号时频分析与特征提取
3.4.3 球故障振动信号时频分析与特征提取
3.4.4 不同数据集的滚动轴承故障诊断
3.5 本章小结
第4章 基于压缩感知和邻域粗糙集的PSO-SVM滚动轴承故障诊断方法
4.1 基于阈值的自适应冗余提升小波包的振动信号去噪
4.2 基于压缩感知和邻域粗糙集的滚动轴承故障特征提取
4.2.1 基于压缩感知的候选特征提取算法
4.2.2 基于邻域粗糙集的敏感特征选择算法
4.3 基于优化的支持向量机的滚动轴承故障诊断
4.3.1 PSO-SVM分类器的构造
4.3.2 滚动轴承故障诊断实现流程
4.4 实验仿真与结果分析
4.4.1 不同故障振动信号的去噪
4.4.2 不同故障振动信号的特征提取和选择
4.4.3 不同数据集的滚动轴承故障诊断
4.5 本章小结
第5章 基于混合时频分析和随机森林的滚动轴承故障诊断方法
5.1 基于混合时频分析的滚动轴承故障特征提取
5.1.1 基于自适应噪声的完备经验模态分解算法
5.1.2 基于谱峭度的自适应冗余提升小波包去噪算法
5.2 基于随机森林的滚动轴承故障诊断
5.3 实验仿真与结果分析
5.3.1 不同故障振动信号的特征提取
5.3.2 不同数据集的滚动轴承故障诊断
5.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文
攻读硕士学位期间获得的奖励
攻读硕士学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]基于压缩信息特征提取的滚动轴承故障诊断方法[J]. 孟宗,李晶,龙海峰,潘作舟. 中国机械工程. 2017(07)
[2]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
[3]经验模态分解和小波包变换的表面等离子体共振光谱降噪方法[J]. 张倩昀,张华. 测试技术学报. 2016(05)
[4]结构裂纹损伤的Lamb波层析成像监测与评估研究[J]. 王强,胥静,王梦欣,宋春晓. 机械工程学报. 2016(06)
[5]自适应冗余提升小波包变换的滚动轴承故障诊断新方法[J]. 肖顺根,宋萌萌,赖联锋. 机械强度. 2015(05)
[6]基于经验模态分解及独立成分分析的微震信号降噪方法[J]. 贾瑞生,赵同彬,孙红梅,闫相宏. 地球物理学报. 2015(03)
[7]基于压缩感知技术的旋转机械碰摩声发射信号压缩[J]. 秦康,邓艾东,张红星,唐标,颜喜. 中国电机工程学报. 2013(S1)
[8]冗余提升多小波包的构造及其应用[J]. 陈敬龙,张来斌,杨霖. 中国石油大学学报(自然科学版). 2013(01)
[9]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
[10]自适应冗余第二代小波在信号去噪中的应用[J]. 何伟,王义,李华兴. 矿山机械. 2012(02)
博士论文
[1]压缩感知及其在旋转机械健康监测中的应用[D]. 张新鹏.国防科学技术大学 2015
[2]自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D]. 崔宝珍.中北大学 2013
[3]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
[4]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
[5]基于循环平稳的滚动轴承及齿轮微弱故障特征提取应用研究[D]. 毕果.上海交通大学 2007
[6]基于人工智能和虚拟仪器技术的发动机故障诊断专家系统研究[D]. 李增芳.浙江大学 2004
硕士论文
[1]基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲.西南交通大学 2016
[2]基于贝叶斯压缩感知理论与技术研究[D]. 张博.电子科技大学 2015
[3]基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D]. 王秀娟.电子科技大学 2014
[4]基于EMD和共振解调的滚动轴承故障诊断方法研究[D]. 朱汉明.上海师范大学 2011
本文编号：3230995
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3230995.html
