小波包结合SVM和神经网络在滚动轴承故障诊断中的应用

发布时间：2023-04-05 09:01

　　滚动轴承是旋转机械的关键部件,它的健康状况会直接影响到机械系统的正常运行。随着监测技术的发展,所采集到的与滚动轴承运行状态相关的信号的数据量呈指数级增长,使得故障诊断有了“大数据”的概念。因此利用何种先进的技术从大数据中有效提取特征并准确识别滚动轴承的健康状况成为一个新的研究课题。本文以滚动轴承监测参数中的振动信号为研究对象,通过小波包变换、支持向量机(SVM)、BP神经网络对滚动轴承的智能故障诊断进行了研究。本文的主要内容以及结论如下:1.分析了傅立叶变换、短时傅立叶变换在信号分析方面的不足之处,并以小波包变换为手段对滚动轴承的振动信号进行了特征提取。小波包变换能够将原信号分解成多个小波包系数,把每个小波包系数进行信号重构后便生成了能量特征向量。研究表明该特征向量中包含了丰富的故障信息,可以作为智能故障分类方法的样本数据。2.分别研究了以支持向量机和BP神经网络为基础的滚动轴承智能故障诊断模型的训练过程与方法。支持向量机是一种监督式学习方法,其目标是是基于样本数据的支持向量求解得到超平面方程,然后以此超平面方程为判别依据进行分类。对BP神经网络进行训练实质上是基于训练样本优化连接各个...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题的背景及研究意义
    1.2 滚动轴承故障诊断的国内外研究现状
    1.3 滚动轴承智能故障诊断的主要内容
    1.4 本文的主要内容及章节安排
第二章 小波分析的相关理论
    2.1 傅立叶变换
    2.2 小波变换理论
        2.2.1 连续小波变换
        2.2.2 离散小波变换
        2.2.3 多分辨分析与正交小波的构造
        2.2.4 离散小波变换的Mallat算法
    2.3 小波包理论
    2.4 小波包变换在故障诊断中的应用
    2.5 本章小结
第三章 支持向量机原理
    3.1 线性支持向量机
    3.2 非线性支持向量机
    3.3 超平面方程的求解的SMO算法
        3.3.1 最优化求解
        3.3.2 变量的选择方法
    3.4 支持向量机在故障诊断中的应用
    3.5 本章小结
第四章 反向传播神经网络
    4.1 神经元模型
    4.2 人工神经网络的结构
    4.3 反向传播算法
    4.4 本章小结
第五章 滚动轴承故障诊断的实验研究
    5.1 实验平台
    5.2 数据处理及模型训练方法
        5.2.1 通过小波包变换提取能量特征
        5.2.2 支持向量机模型的训练
        5.2.3 BP神经网络模型的训练
    5.3 数据处理结果及分析
        5.3.1 能量特征向量的分析
        5.3.2 支持向量机模型的数据处理结果
        5.3.3 神经网络模型的数据处理结果
        5.3.4 结果分析
    5.4 本章小结
第六章 结论与展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3783132