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

发布时间：2017-04-26 04:12

  本文关键词：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，，由笔耕文化传播整理发布。

【摘要】：随着旋转机械设备趋于大型化、高效化、集成化,对旋转机械安全可靠运行的要求也相应提高。滚动轴承是影响旋转机械设备安全运行的关键因素之一,但是由于加工工艺、工作环境等原因造成其寿命参差性较大和损坏率高的缺点,因此需要对滚动轴承运行状态实施有效的诊断。滚动轴承故障诊断技术摆脱了定期维修的弊端,不仅减少了因滚动轴承故障造成的不必要的人力物力损失,而且很大程度上提高了生产效率和机械设备的安全性和可靠性。因此,研究滚动轴承故障诊断技术具有重大的经济意义与实际应用价值。本文以滚动轴承为研究对象,采用振动信号分析方法对故障特征进行提取并识别故障类型。对基于小波分析和在线极限学习机的滚动轴承故障诊断技术中所涉及的理论、方法和关键技术进行了深入的研究,主要研究工作如下：系统分析了滚动轴承故障诊断的主要方法,在众多诊断方法中,振动诊断法适用范围广、处理和分析过程明确直观,因此本文采用振动信号分析方法。通过分析轴承故障诊断领域的国内外研究现状,指出快速、准确地对轴承故障进行诊断已成为研究重点。此外对滚动轴承振动信号时域、频域和时频域分析方法及常用的滚动轴承故障模式识别方法也进行了分析。深入研究了滚动轴承振动信号时频分析方法中的小波分析方法,主要包括小波变换、第二代小波包变换和双树复小波包变换。重点研究了双树复小波包变换的抑制频带混叠和平移不变性两个特性。针对滚动轴承振动信号具有的非平稳性和非线性特点,本文提出了基于改进的双树复小波包变换的滚动轴承故障特征提取方法。该方法是以双树复小波包变换为基础,利用经验模式分解和两层能量比筛选的方法对其进行改进。通过仿真信号实验对改进的双树复小波包变换在提取信号特征频率方面的可行性和有效性进行了验证。在基本极限学习机的基础上重点研究在线极限学习机,在线极限学习机是对传统极限学习机的改进算法,它能够处理连续或者逐个到达网络的数据。论文完成了对基于改进的双树复小波包变换的故障特征提取方法和基于在线极限学习机的模式识别方法两部分的实验验证。将改进的双树复小波包变换方法以及在线极限学习机应用于实际滚动轴承振动信号的诊断,实验结果表明,本文提出的改进的双树复小波包变换可以有效地提取振动信号故障特征,并且通过在线极限学习机能够以较高的准确率对滚动轴承运行状态进行识别。
【关键词】：故障诊断 双树复小波包变换 能量比 奇异值分解 在线极限学习机
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-10
• 1 绪论10-24
• 1.1 课题背景及研究意义10-11
• 1.2 滚动轴承故障诊断方法及研究现状11-15
• 1.2.1 滚动轴承故障诊断方法11-12
• 1.2.2 国外研究现状12-14
• 1.2.3 国内研究现状14-15
• 1.3 滚动轴承振动信号处理方法概述15-21
• 1.3.1 时域信号分析方法15-16
• 1.3.2 频域信号分析方法16-18
• 1.3.3 时频域信号分析方法18-21
• 1.4 机械故障类型识别方法21-22
• 1.4.1 基于神经网络的模式识别方法21
• 1.4.2 基于支持向量机的模式识别方法21
• 1.4.3 基于聚类分析的模式识别方法21-22
• 1.4.4 基于极限学习机的模式识别方法22
• 1.5 主要研究内容及章节安排22-24
• 2 基于小波分析的滚动轴承振动信号处理方法24-40
• 2.1 引言24
• 2.2 小波变换及小波包变换24-29
• 2.2.1 多分辨率分析定义25-26
• 2.2.2 小波变换基本原理26-27
• 2.2.3 小波包变换基本原理27-29
• 2.3 小波包变换的改进算法29-32
• 2.3.1 第二代小波包变换基本原理29-30
• 2.3.2 双树复小波包变换基本原理30-32
• 2.4 双树复小波包的特性分析32-39
• 2.4.1 抑制频带混叠特性32-36
• 2.4.2 平移不变特性36-39
• 2.5 本章小结39-40
• 3 基于改进的DTCWPT的滚动轴承特征提取方法40-50
• 3.1 引言40
• 3.2 改进的双树复小波变换的基本原理40-42
• 3.3. 滚动轴承仿真信号实验验证42-48
• 3.4 本章小结48-50
• 4 基于在线极限学习机(OS-ELM)的模式识别方法50-60
• 4.1 引言50
• 4.2 单隐含层前馈神经网络50-53
• 4.2.1 单隐含层前馈神经网络基本概念50-51
• 4.2.2 单隐含层前馈神经网络的学习算法51-53
• 4.3 极限学习机算法53-55
• 4.4 在线极限学习机55-58
• 4.5 本章小结58-60
• 5 滚动轴承故障特征提取和模式识别方法的实验验证60-70
• 5.1 引言60
• 5.2 滚动轴承实际振动信号介绍60-61
• 5.3 基于改进的DTCWPT特征提取方法实验验证61-66
• 5.4 基于在线极限学习机(OS-ELM)的模式识别方法实验验证66-69
• 5.5 本章小结69-70
• 6 总结与展望70-72
• 参考文献72-76
• 作者简历及攻读硕士学位期间取得的研究成果76-80
• 学位论文数据集80

【相似文献】

中国期刊全文数据库 前10条

1 王威;王海晖;杨丽萍;;基于小波包变换的多光谱图像融合方法研究[J];计算机与数字工程;2007年01期

2 王淑娟,陈博,赵国良;基于小波包变换预处理的模拟电路故障诊断方法[J];电工技术学报;2003年04期

3 张小明,刘建敏,安钢,乔新勇;基于小波包变换的柴油机燃油喷射系统故障诊断[J];内燃机工程;2004年02期

4 刘秀芳;徐洪州;龚磊;;小波包变换对遥测速变数据噪声消除效果的改进[J];飞行器测控学报;2009年03期

5 胡战虎,李言俊,杨亚军;基于小波包变换的多尺度滤波[J];弹箭与制导学报;1999年03期

6 王建涛;孔德顺;安敏;;基于小波包变换的信号降噪方法及转向控制故障诊断[J];天津汽车;2008年09期

7 杨会成;费琛;王筱薇倩;杨惠;;小波包变换在智能循迹小车系统中的应用[J];重庆理工大学学报(自然科学);2012年10期

8 杨长林,许化龙,胡昌华,陈新海;基于小波包变换的故障诊断[J];西北工业大学学报;2000年03期

9 吴朝霞,程敬之;小波包变换在正电子发射断层扫描仪图像重建中的应用[J];西安交通大学学报;2001年12期

10 梁仙斌;苏玉香;;基于小波及小波包变换的电网谐波检测[J];江西电力;2010年06期

中国重要会议论文全文数据库 前7条

1 潘

本文编号：327710