基于神经网络的轴承故障诊断技术研究

发布时间：2017-05-17 11:19

  本文关键词：基于神经网络的轴承故障诊断技术研究，由笔耕文化传播整理发布。

【摘要】：机械设备在航空航天、交通运输、经济生产、冶金化工等各个工业和生产领域中得到广泛应用。滚动轴承是机械设备中最重要的零件之一,却也是故障高发、易引起设备运行不稳定的因素。一旦发生故障,将带来严重的影响和危害。如何保持其健康状态、以及出现故障后能被及时检测和维修,都是非常重要的问题。因此,对滚动轴承的故障检测和诊断是一个具有重要意义的研究方向。本文以滚动轴承在正常状态与三种非正常状态(内圈故障状态、滚动体故障状态和外圈故障状态)下运行时的振动信号数据进行实验分析,通过小波变换、希尔伯特-黄变换等方法提取信号的特征参量,并将这些参量组成信号的特征向量作为样本输入到神经网络之中。通过样本特征向量的降维以及对神经网络权值和阈值寻优,对神经网络性能进行优化,从而实现对样本的模式识别和故障分类。论文首先简述了滚动轴承故障诊断技术的研究发展历史和现状。随后,对滚动轴承的结构、故障数据包含的类型、以及故障特征频率等内容进行了介绍,并进行了简单的时域分析和频域分析。基于滚动轴承信号具有的非平稳特性,应用离散小波分析、希尔伯特-黄变换和基于参数自适应的Morlet小波变换三种时频分析方法对信号进行分析,三种方法都显示了良好的效果,将三种方法各自提取的特征参量相结合组成了可以代表轴承故障类型(包括正常状态)的特征向量。通过把特征向量应用到不同神经网络中的结果的对比分析,选用了Levenberg-Marquardt型BP算法作为状态识别的方法。利用基于欧几里德距离的特征选取方法对特征向量中的参量进行分析并选择最具有代表性的参量,达到了对神经网络输入样本进行降维的目的;另外,利用遗传算法对神经网络的权值和阈值进行优化,使得神经网络的训练速度和精度都得到了很大的提升。最终通过对测试样本的分析,所研究的方法可以对不同的故障模式进行准确分类,表明了其对于滚动轴承故障检测和诊断具有很强的适用性。
【关键词】：滚动轴承 信号处理 小波变换分析 欧几里德距离 神经网络
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3;TP183
【目录】：

• 摘要5-6
• abstract6-11
• 第一章 绪论11-18
• 1.1 研究背景及意义11-12
• 1.2 国内外研究发展趋势12-14
• 1.2.1 国外故障诊断研究发展12-13
• 1.2.2 国内故障诊断研究发展13-14
• 1.3 基于人工智能的故障诊断技术14-16
• 1.4 本课题研究的主要内容16-18
• 第二章 轴承的故障类型及诊断方法18-27
• 2.1 轴承的结构18-19
• 2.2 轴承的故障类型19-20
• 2.3 滚动轴承故障振动信号数据20
• 2.4 滚动轴承的振动特征频率20-22
• 2.4.1 滚动轴承的固有振动频率20-21
• 2.4.2 滚动轴承的故障特征频率21-22
• 2.5 滚动轴承的信号分析故障诊断方法22-25
• 2.5.1 滚动轴承振动信号的时域分析方法22-24
• 2.5.2 滚动轴承振动信号的频域分析方法24-25
• 2.5.3 滚动轴承振动信号的时频分析方法25
• 2.6 滚动轴承的神经网络故障诊断方法25-26
• 2.7 本章小结26-27
• 第三章 轴承故障的振动信号分析27-46
• 3.1 小波变换与Hilbert包络谱分析27-33
• 3.1.1 小波变换理论27-28
• 3.1.2 小波变换多分辨率分析28-30
• 3.1.3 Hilbert包络谱分析30
• 3.1.4 小波变换与Hilbert包络谱分析的实现30-33
• 3.2 希尔伯特—黄变换理论分析33-38
• 3.2.1 本征模态函数的定义33-34
• 3.2.2 EMD算法的分解过程34-36
• 3.2.3 希尔伯特-黄变换的实现36-38
• 3.3 基于参数自适应Morlet小波的轴承故障诊断38-45
• 3.3.1 基于Shannon熵理论的最优形状参数选取39-41
• 3.3.2 基于SVD理论的最优小波尺度选取41-43
• 3.3.3 基于参数自适应Morlet小波方法的实现43-45
• 3.4 滚动轴承故障信号分析的特征向量45
• 3.5 本章小结45-46
• 第四章 基于BP神经网络故障诊断方法研究46-64
• 4.1 BP神经网络的结构与运行原理46-50
• 4.1.1 BP神经网络的拓扑结构46-47
• 4.1.2 BP神经网络的基本原理47-48
• 4.1.3 BP神经网络的学习算法48-50
• 4.2 BP神经网络参数的选择50-53
• 4.2.1 各层网络节点数的选择50
• 4.2.2 初始权值的选择50-51
• 4.2.3 学习速率的选择51
• 4.2.4 期望误差的选择51
• 4.2.5 激励函数的选择51-53
• 4.2.6 数据归一化处理53
• 4.3 基于BP神经网络的轴承故障诊断53-55
• 4.4 基于改进型BP神经网络的轴承故障诊断55-63
• 4.4.1 启发式改进算法55-59
• 4.4.2 数值优化改进算法59-63
• 4.5 本章小结63-64
• 第五章 神经网络的性能优化及故障诊断应用64-78
• 5.1 基于欧式距离的故障特征选择64-67
• 5.2 遗传算法的运行原理67-72
• 5.2.1 遗传算法的基本思想67-68
• 5.2.2 遗传算法的运行步骤68-69
• 5.2.3 遗传算法的算子操作69-70
• 5.2.4 遗传算法的特点70-71
• 5.2.5 遗传算法优化神经网络的运行流程71-72
• 5.3 神经网络优化过程中的参数选择72-73
• 5.3.1 BP神经网络部分的结构参数选择72-73
• 5.3.2 遗传算法部分的参数选择73
• 5.4 基于性能优化的神经网络的轴承故障诊断应用73-77
• 5.5 本章小结77-78
• 第六章 总结与展望78-80
• 6.1 全文总结78-79
• 6.2 研究展望79-80
• 致谢80-81
• 参考文献81-85
• 硕士期间所取得的研究成果85-86

【参考文献】

中国博士学位论文全文数据库 前1条

1 王婷;EMD算法研究及其在信号去噪中的应用[D];哈尔滨工程大学;2010年

  本文关键词：基于神经网络的轴承故障诊断技术研究，，由笔耕文化传播整理发布。

本文编号：373285