基于CEEMD-SVD和ELM的滚动轴承故障诊断方法研究

发布时间：2022-09-30 19:37

　　滚动轴承作为旋转机械设备的核心部件之一,其运行状态直接关系到旋转机械设备的稳定性和安全性。因此,对滚动轴承进行故障诊断对于旋转机械设备的运行维护具有重要的理论研究价值及经济意义。故障信息的特征提取和故障识别是滚动轴承故障诊断的关键,由于滚动轴承振动信号受设备周围环境噪声以及传输路径等因素影响,表现出非线性和非平稳性,大大增加了故障诊断的难度。鉴于此,本文运用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）、奇异值分解（Singular value decomposition,SVD）和极限学习机（Extreme learning machine,ELM）方法,分别从信号处理、特征提取、故障诊断及故障分类的角度出发,对滚动轴承故障诊断方法进行实验研究,本文的主要研究工作如下:（1）针对滚动轴承故障信息难以提取的问题,提出了EEMD和SVD相融合的滚动轴承故障特征提取方法。首先通过EEMD方法对滚动轴承振动信号进行分解,分解得到若干本征模态分量（Intrinsic Mode Function,IMF）... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 滚动轴承故障诊断的国内外研究现状与发展趋势
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 故障诊断技术的发展趋势
    1.3 滚动轴承故障发展过程
    1.4 奇异值分解和极限学习机在故障诊断中的研究现状
        1.4.1 奇异值分解理论研究现状
        1.4.2 极限学习机理论研究现状
    1.5 本文主要研究思路及内容安排
        1.5.1 论文研究思路
        1.5.2 论文内容安排
第二章 基于EEMD和SVD的滚动轴承故障特征提取方法研究
    2.1 引言
    2.2 EMD方法
        2.2.1 EMD方法概述
        2.2.2 本征模态函数
        2.2.3 EMD分解原理
        2.2.4 EMD存在的问题
    2.3 EEMD方法
        2.3.1 EEMD方法概述
        2.3.2 EEMD分解
        2.3.3 仿真信号对比分析
        2.3.4 振动信号的EEMD重构过程
    2.4 SVD方法
        2.4.1 SVD理论简介
        2.4.2 矩阵维数的确定
        2.4.3 奇异值分量的选择
        2.4.4 TKEO瞬时能量提取
    2.5 基于EEMD和SVD的特征提取方法
    2.6 基于EEMD和SVD的滚动轴承故障诊断
        2.6.1 实列分析
        2.6.2 外圈故障分析
        2.6.3 内圈故障分析
        2.6.4 对比实验
    2.7 本章小结
第三章 基于CEEMD和SVD的滚动轴承故障特征提取方法研究
    3.1 引言
    3.2 CEEMD方法
        3.2.1 CEEMD理论介绍
        3.2.2 相关性分析
        3.2.3 仿真信号对比实验
    3.3 基于CEEMD和SVD的特征提取方法
    3.4 基于EEMD和SVD的滚动轴承故障诊断
        3.4.1 实验分析
        3.4.2 对比实验
    3.5 本章小结
第四章 基于CEEMD-SVD和ELM的滚动轴承故障诊断方法研究
    4.1 引言
    4.2 极限学习机基本思想
    4.3 基于CEEMD-SVD和ELM的故障诊断方法
    4.4 基于CEEMD-SVD和ELM的滚动轴承故障诊断
        4.4.1 实验设计
        4.4.2 实验分析
        4.4.3 对比实验
    4.5 本章小结
第五章 结论与展望
    5.1 本文主要研究成果
    5.2 进一步工作展望
致谢
参考文献
附录A (攻读硕士期间发表的论文)


【参考文献】：
期刊论文
[1]基于极限学习机的中医脉象识别方法[J]. 陈星池,黄淑春,赵海,王晓漫.  东北大学学报(自然科学版). 2017(09)
[2]基于Storm的在线序列极限学习机的气象预测模型[J]. 欧阳建权,周勇,唐欢容.  计算机研究与发展. 2017(08)
[3]基于LBP和极限学习机的脑部MR图像分类[J]. 何其佳,刘振丙,徐涛,蒋淑洁.  山东大学学报(工学版). 2017(02)
[4]基于STFT时频谱系数收缩的信号降噪方法[J]. 郭远晶,魏燕定,周晓军.  振动.测试与诊断. 2015(06)
[5]基于EMD和MKD的滚动轴承故障诊断方法[J]. 隋文涛,张丹,Wilson Wang.  振动与冲击. 2015(09)
[6]CEEMD-FFT在滚动轴承故障诊断中的应用[J]. 陆森林,王龙.  郑州大学学报(工学版). 2015(01)
[7]基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断[J]. 吴小涛,杨锰,袁晓辉,龚廷恺.  振动与冲击. 2015(02)
[8]基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法[J]. 李葵,范玉刚,吴建德.  计算机应用. 2014(08)
[9]基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究[J]. 张永祥,王孝霖,张帅,朱杰平.  振动与冲击. 2014(11)
[10]改进的奇异值分解在轴承故障诊断中的应用[J]. 王超,孔凡让,黄伟国,李昌林,陈辉.  振动工程学报. 2014(02)

博士论文
[1]面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D]. 胡劲松.浙江大学 2003

硕士论文
[1]基于LCD和PSO-LSSVM的城轨列车滚动轴承故障诊断研究[D]. 王辞.北京交通大学 2015
[2]基于非平稳信号分析的滚动轴承故障诊断研究[D]. 李玉奎.燕山大学 2015
[3]基于局部特征尺度分解的滚动轴承故障诊断方法[D]. 杨潘.湖南大学 2014
[4]基于振动特征提取的滚动轴承故障诊断方法研究[D]. 廖星智.昆明理工大学 2014
[5]基于LCD和VPMCD的滚动轴承故障诊断方法[D]. 李杰.湖南大学 2013
[6]风机轴承故障诊断中的振动信号特征提取方法研究[D]. 杨玉昕.燕山大学 2013
[7]基于支持向量机的滚动轴承故障诊断方法研究[D]. 杨敏敏.江西理工大学 2012
[8]基于经验模态分解法的滚动轴承故障诊断系统研究[D]. 曾海平.浙江大学 2005



本文编号：3684150