基于融合特征的滚动轴承多故障预测研究

发布时间：2021-07-27 06:18

　　目前,旋转机械设备广泛应用在各项生产领域,而滚动轴承作为机械设备中的重要元件,极易产生故障,一旦故障产生可能对企业造成一系列影响,如生产设备停机、经济效益受损及人员伤亡事故等。因此需要对滚动轴承进行科学的质量管理,最关键的步骤是对其进行监控并准确预测出故障趋势,实现预防性的故障控制。本文对滚动轴承展开多种故障状态的预测研究,提出了一种基于流形学习与LBSA-BTSVM结合的智能预测方法,进而实现轴承故障的准确预测。通过建立主动型的“监控-预测-控制”机制,在轴承故障未扩散前做好控制维护措施,对设备的可靠运行和企业、社会效益的最大化具有实际意义。首先,对轴承初始信号采用VMD与小波包阈值联合降噪。轴承的振动信号中不仅包含了有效信息还夹杂着大量的噪声,对有效特征的提取造成了一定困难,因此需要对其进行降噪处理。在此过程中,将VMD的强自适应性分解和小波包的良好降噪效果结合,利用VMD将轴承信号分解为IMF分量,再通过小波包阈值降噪得到处理后信号,并将其作为特征提取阶段中的信号基础。然后,对降噪后的轴承信号进行融合特征提取。单一特征所表示的信息是有限的,并不能完全反映轴承信号的完整信息,因此结... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 信号降噪处理方法的研究现状
        1.2.2 故障特征提取方法的研究现状
        1.2.3 故障状态识别方法的研究现状
    1.3 研究内容与技术路线
        1.3.1 研究内容
        1.3.2 研究技术路线
    1.4 研究创新点
2 相关理论综述
    2.1 滚动轴承故障机理理论
        2.1.1 滚动轴承的故障形式
        2.1.2 滚动轴承的振动机理
    2.2 变分模态分解理论
        2.2.1 VMD基本原理
        2.2.2 VMD算法流程
    2.3 支持向量机理论
        2.3.1 统计学习理论
        2.3.2 支持向量机
    2.4 鸟群算法理论
    2.5 莱维飞行理论
    2.6 本章小结
3 基于流形学习的故障融合特征提取
    3.1 滚动轴承故障信号的降噪处理
        3.1.1 小波包阈值降噪原理
        3.1.2 VMD和小波包阈值联合降噪
    3.2 滚动轴承故障信号的特征提取
        3.2.1 基于统计性参数的信号特征提取
        3.2.2 基于能量的信号特征提取
        3.2.3 基于熵的信号特征提取
    3.3 滚动轴承故障信号的多特征融合
        3.3.1 流形学习理论
        3.3.2 基于t-SNE的多特征融合
    3.4 本章小结
4 基于LBSA-BTSVM的故障预测模型构建
    4.1 构建模型的基本思路
    4.2 BTSVM模型原理
    4.3 LBSA算法流程
    4.4 基于LBSA-BTSVM的滚动轴承故障预测模型
    4.5 本章小结
5 实验分析
    5.1 实验准备
        5.1.1 实验环境
        5.1.2 样本收集
    5.2 滚动轴承振动信号融合特征提取
        5.2.1 滚动轴承运行状态下振动信号分解
        5.2.2 滚动轴承运行状态下振动信号降噪
        5.2.3 滚动轴承运行状态下振动信号融合特征提取
    5.3 滚动轴承故障预测效果分析
        5.3.1 基于融合特征的LBSA-BTSVM的故障预测效果分析
        5.3.2 与基于各项单特征的LBSA-BTSVM故障预测效果对比
        5.3.3 与基于融合特征的其他预测模型故障预测效果对比
    5.4 基于预测模型的滚动轴承故障控制措施
    5.5 本章小结
6 总结与展望
    6.1 研究总结
    6.2 研究展望
参考文献
个人简历、在校期间发表的学术论文与研究成果
致谢


【参考文献】：
期刊论文
[1]基于变分模态分解与流形学习的滚动轴承故障特征提取方法[J]. 戚晓利,叶绪丹,蔡江林,郑近德,潘紫微,张兴权.  振动与冲击. 2018(23)
[2]基于卷积神经网络的层级化智能故障诊断算法[J]. 曲建岭,余路,袁涛,田沿平,高峰.  控制与决策. 2019(12)
[3]基于小波变换的煤矸石自动分选方法[J]. 陈立,杜文华,曾志强,王俊元,王日俊.  工矿自动化. 2018(12)
[4]基于分形流形学习的支持向量机空气污染指数预测模型[J]. 李萍,倪志伟,朱旭辉,伍章俊.  系统科学与数学. 2018(11)
[5]基于小波包层次熵的电主轴振动信号特征提取方法[J]. 雷春丽,杨晓燕,成彦伟,张亚斌,方景芳.  兰州理工大学学报. 2018(05)
[6]基于支持向量机的轨道不平顺预测研究[J]. 于瑶,刘仍奎,王福田.  铁道科学与工程学报. 2018(07)
[7]基于EEMD与空域相关降噪的滚动轴承故障诊断方法[J]. 田晶,王英杰,王志,艾延廷,孙丹.  仪器仪表学报. 2018(07)
[8]基于LMD样本熵和RBF网络的结构损伤识别研究[J]. 王名月,缪炳荣,李旭娟,杨忠坤.  机械强度. 2018(03)
[9]基于ICEEMDAN和小波阈值的滚动轴承故障特征提取方法[J]. 肖茂华,张存义,傅秀清,熊龙飞,王月文,封志祥.  南京农业大学学报. 2018(04)
[10]基于CPSO-RVM的锂电池剩余寿命预测方法[J]. 张朝龙,何怡刚,袁莉芬.  系统仿真学报. 2018(05)



本文编号：3305256