基于极点对称模态分解及改进支持向量机的轴承故障诊断

发布时间：2022-02-18 06:56

　　随着机械制造的规模和复杂程度的增长,机械部件的稳定程度对机械整体运行的影响日益提高。而轴承作为旋转机械中不可替代的一部分,由于其特殊的构造以及工作环境等原因,故障率比较高,因此,准确的发现轴承故障位置并识别出故障类型对保证生产的可靠性和安全性具有重大的意义。论文提出了一种基于极点对称模态分解（Extreme-Point Symmetric Mode Decomposition,ESMD）和改进的引力搜索算法优化的支持向量机（Modified Gravitational Search Algorithm Support Vector Machine,MGSA-SVM）的滚动轴承故障诊断的方法。首先,在研究轴承典型故障发生机理的基础上,分析了目前轴承故障诊断技术的欠缺,提出轴承故障诊断技术的改进方案。然后,针对轴承振动信号非线性及非平稳性,提出ESMD分解振动信号方法。ESMD在继承经验模态分解（Empirical Mode Decomposition,EMD）算法的基础上,能够对信号根据频率进行分解,通过引入最优自适应全局曲线决定分解次数以及插值算法进行改进,对比仿真效果,ESMD相比于... 

【文章来源】：燕山大学河北省

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 机械故障诊断的背景和意义
    1.2 机械故障诊断的研究现状
    1.3 机械故障诊断的基本内容
    1.4 滚动轴承的故障诊断
        1.4.1 滚动轴承的主要故障
        1.4.2 滚动轴承的故障诊断方法现状
    1.5 本文的主要研究内容
第2章 EMD改进算法的研究
    2.1 经验模态分解算法理论研究及分析
        2.1.1 经验模态分解算法概述及原理
        2.1.2 经验模态分解算法仿真
    2.2 极点对称模态分解算法研究及实验验证
        2.2.1 直接插值方法
        2.2.2 极点对称模态分解算法概述
        2.2.3 极点对称模态分解算法仿真
        2.2.4 极点对称模态分解算法仿真对比
    2.3 极点对称模态分解算法分解振动信号并与EMD进行对比
    2.4 本章小结
第3章 基于ESMD分解的特征参数提取
    3.1 相关系数
        3.1.1 相关系数概述
        3.1.3 相关系数提取
    3.2 熵参数
        3.2.1 样本熵原理
        3.2.2 样本熵参数提取
    3.3 时域参数
        3.3.1 时域参数概述
        3.3.2 峭度参数的提取
    3.4 能量参数
    3.5 不同振动信号参数模型对比
    3.6 本章小结
第4章 改进的GSA优化SVM算法研究
    4.1 支持向量机算法
    4.2 改进的GSA算法
        4.2.1 引力搜索算法概述及原理
        4.2.2 引力搜索算法缺陷及改进
    4.3 改进的GSA算法优化SVM分类模型
    4.4 改进的GSA优化SVM寻优对比
    4.5 本章小结
第5章 滚动轴承故障诊断实验
    5.1 滚动轴承故障诊断实验仿真数据及步骤
    5.2 不同类型的滚动轴承故障诊断
        5.2.1 不同类型故障信号时域分析
        5.2.2 不同类型故障信号ESMD分解
        5.2.3 不同类型故障信号特征提取
        5.2.4 不同类型故障信号MGSA-SVM故障诊断
    5.3 不同损伤程度的滚动轴承故障诊断
        5.3.1 不同损伤程度的故障信号时域分析
        5.3.2 不同损伤程度故障信号ESMD分解
        5.3.3 不同损伤程度故障信号特征提取
        5.3.4 不同损伤程度故障信号MGSA-SVM诊断
    5.4 实际采集数据的故障诊断
    5.5 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3630430