基于振动信号分析的滚动轴承故障诊断研究

发布时间：2017-05-01 05:12

  本文关键词：基于振动信号分析的滚动轴承故障诊断研究，由笔耕文化传播整理发布。

【摘要】：滚动轴承广泛应用于工业生产设备中,是大型旋转机械设备必不可缺的重要部件,其运行状态直接关系着整个生产系统是否能够安全稳定的运行。为了避免事故的发生和经济损失,为此对滚动轴承进行状态监测和故障诊断具有极其重要的意义。滚动轴承运行时,其发出的振动信号包含着丰富的运行状态信息,通过采集滚动轴承运行时的振动信号并进行处理和分析,可完成对滚动轴承的状态监测。本文以滚动轴承的振动信号为分析对象,应用小波包分析、希尔伯特黄变换及支持向量机的多分类技术实现了对滚动轴承的故障诊断。希尔伯特黄变换本身具有自适应性、完备性、正交性,其适合处理非线性、非平稳的旋转机械振动信号。然而在工业现场中采集到的振动信号往往包含大量噪声,信号本身的信噪比不高,使得希尔伯特黄变换很难达到准确的结果。本文为提高希尔伯特黄变换分析准确性,采用小波包对原始信号进行降噪处理,将小波包降噪后的信号进行EMD分解,使用峭度值和互相关系数对所有分解的内禀模态函数进行筛选,将筛选后的IMF进行希尔伯特包络分析,在包络谱中找到故障特征频率,从而发现故障类型。为了滚动轴承的故障诊断具有智能化,根据滚动轴承发生不同故障类型或不同损伤程度时,其相同频段内信号的能量会发生变换这一特性,故本文提出将小波包能量提取技术与支持向量机的多分类技术相结合,对滚动轴承完成智能化故障诊断,为提高支持向量机的分类准确率,文中采用主成分分析(PCA)对归一化之后的特征向量进一步处理,使原有的8维特征向量降到3维特征向量,减少支持向量机的输入参数,进而提高了支持向量机分类的准确性和推广能力。本文利用MATLAB软件和LIBSVM工具箱两种方法进行实验仿真,实验结果表明:经过小波包降噪和峭度值与互相关系数的筛选可以得到具有代表早期故障的内禀模态函数,对该函数进行希尔伯包络分析可以在其包谱中明显的发现故障特征频率,进而判断滚动轴承发生故障类型,然而该方法却无法判断故障损伤程度;通过结合小波包能量提取、主成分分析、支持向量机技术,不仅可以实现对不同类别的故障进行分类,也可以实现对不同损伤程度的识别。
【关键词】：故障诊断 小波分析 希尔伯特黄变换 支持向量机 滚动轴承 振动分析
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 中文摘要5-6
• ABSTRACT6-10
• 1.绪论10-16
• 1.1 滚动轴承故障诊断的研究背景和意义10-11
• 1.2 滚动轴承故障诊断技术研究概述11-14
• 1.2.1 滚动轴承故障监测技术11-12
• 1.2.2 滚动轴承故障监测技术的研究现状12-13
• 1.2.3 滚动轴承故障技术的总体趋势13-14
• 1.3 滚动轴承故障诊断系统14-15
• 1.4 本文主要的研究内容15-16
• 2.滚动轴承故障成因和振动原理16-25
• 2.1 滚轴承的结构16-17
• 2.2 滚动轴承的故障类型及成因17-20
• 2.3 滚动轴承振动成因及故障频率计算20-21
• 2.3.1 滚动轴承的振动成因20-21
• 2.3.2 滚动轴承特征频率计算21
• 2.4 滚动轴承振动信号的采集21-22
• 2.5 实验所使用的故障数据的描述22-24
• 2.5.1 滚动轴承系统和实验条件22-23
• 2.5.2 故障数据文件的具体描述23-24
• 2.6 本章总结24-25
• 3.小波分析与希尔伯特黄变换理论25-41
• 3.1 小波分析25-31
• 3.1.1 连续小波变换25-26
• 3.1.2 离散小波变换26-28
• 3.1.3 Mallat快速算法28-30
• 3.1.4 小波包理论30-31
• 3.2 小波降噪31-33
• 3.3 希尔伯特黄变换33-40
• 3.3.1 EMD分解及过程33-34
• 3.3.2 希尔伯特包络分析34-35
• 3.3.3 噪声对希尔伯特黄边换的影响35-40
• 3.4 本章总结40-41
• 4.基于WPD-HHT在滚动轴承的故障诊断研究41-51
• 4.1 小波包的分解与重构41
• 4.2 基于WPD—HHT的方法研究41-42
• 4.3 MATLAB实验仿真42-50
• 4.3.1 实验数据42-43
• 4.3.2 基于WPD-HHT方法在故障诊断应用的实例43-50
• 4.4 本章总结50-51
• 5.基于WPD-PCA-SVM在滚动轴承的故障诊断研究51-65
• 5.1 支持向量机理论51-56
• 5.1.1 最优分类面51-52
• 5.1.2 线性支持向量机52-53
• 5.1.3 非线性支持向量机53-54
• 5.1.4 多分类支持向量机54-56
• 5.2 小波包的能量提取技术56-58
• 5.2.1 小波包的能量提取56
• 5.2.2 特征向量的归一化处理56-58
• 5.3 主成分分析技术58-59
• 5.4 基于WPD-PCA-SVM在滚动轴承故障诊断的研究59-60
• 5.5 实验仿真60-63
• 5.5.1 样本测试数据60-61
• 5.5.2 滚动轴承故障诊断实验61-63
• 5.6 本章总结63-65
• 6.总结与展望65-66
• 6.1 全文总结65-66
• 参考文献66-68
• 致谢68-69
• 作者简介69-70

【相似文献】

中国期刊全文数据库 前10条

1 李秀坤;谢磊;秦宇;;应用希尔伯特黄变换的水下目标特征提取[J];哈尔滨工程大学学报;2009年05期

2 汤华颖;郭永刚;;希尔伯特—黄变换谱与傅立叶谱的比较分析[J];山西建筑;2009年24期

3 李新欣;;基于希尔伯特-黄变换的船舶声信号特征提取[J];哈尔滨理工大学学报;2014年03期

4 袁龙;李小昱;冯耀泽;;基于希尔伯特黄变换的发动机故障诊断方法研究[J];湖北农业科学;2010年05期

5 孙涛;刘晶t，

本文编号：338300