滚动轴承故障程度和工况不敏感智能诊断方法研究

发布时间：2017-07-05 22:09

  本文关键词：滚动轴承故障程度和工况不敏感智能诊断方法研究

  更多相关文章： 滚动轴承 智能诊断 熵 提升小波包分解 S变换

【摘要】：滚动轴承广泛应用于各类旋转机械设备中且工作环境十分复杂和恶劣,其健康状态直接关系旋转机械的整机性能,一旦失效可能导致潜在的经济损失和安全事故。另一方面,现代旋转机械设备正朝着集成化和自动化方向发展,对其进行故障诊断所需的数据量越来越多,对智能诊断的需求尤其迫切,以减少人工主观性影响。因此,有效地进行滚动轴承智能诊断对于旋转机械设备具有重要的现实意义。机械故障智能诊断过程主要包括三个步骤:振动信号的获取,故障特征信息的提取,故障状态的模式识别。整个过程中的振动信号获取是基础,特征提取是关键,将直接影响模式识别的准确性和可靠性,故障模式的识别是结果。本文以滚动轴承为研究对象,研究以下几类滚动轴承故障智能诊断方法:(1)研究以熵为滚动轴承的运行振动特征,利用以Tsallis熵和样本熵为基础,分别利用小波包分解和提升小波包分解方法,用以在多个尺度上描述非线性、非平稳性振动信号的复杂度,结合概率神经网络和径向基神经网络提出两种滚动轴承智能诊断方法,并通过从QPZZ-Ⅱ故障模拟平台上采集到的滚动轴承十种不同健康状态振动信号验证了两种基于熵的滚动轴承智能诊断方法的有效性。(2)研究一种多尺度熵特征提取方法和基于二叉树型多分类器集成的模式识别方法,利用二叉树结构将原多类分类问题转换成在每个节点处的2类分类问题,从而可以在二叉树每个节点处采用基于多数投票法和三种神经网络分类器实现多分类器集成系统。并以西储大学轴承数据中心的振动信号通过对比实验来验证方法的有效性;(3)研究一种滚动轴承故障程度和运行工况不敏感智能诊断方法,针对工程实际中训练样本集和测试样本集虽然故障类型相同(如均为滚动体故障),但故障程度和运行工况却可能不同的问题,提出了对轴承振动信号经过S变换后得到二维矩阵,并采用奇异值分解技术对二维矩阵进行二次特征提取,由奇异值分解后得到对角阵中对角线上的元素构成特征向量,并结合支持向量机实现智能诊断。以西储大学轴承数据中心的信号作为以上方法的数据支撑,并通过实验来验证该方法能够有效地实现故障程度和运行工况不敏感的滚动轴承智能诊断,效果优于传统滚动轴承智能诊断方法。
【关键词】：滚动轴承 智能诊断 熵 提升小波包分解 S变换
【学位授予单位】：华东交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要3-4
• ABSTRACT4-9
• 主要符号说明9-10
• 第一章 绪论10-21
• 1.1 课题研究的背景与意义10-12
• 1.1.1 课题的来源10
• 1.1.2 课题的研究意义10-12
• 1.2 国内外相关研究12-19
• 1.2.1 振动信号特征提取的研究现状12-15
• 1.2.2 模式识别方法的研究现状15-17
• 1.2.3 滚动轴承故障程度和工况不敏感智能诊断方法的研究现状17-19
• 1.3 研究内容19-21
• 第二章 基于熵的滚动轴承智能诊断方法21-44
• 2.1 熵的理论21-23
• 2.1.1 Tsallis熵21-22
• 2.1.2 样本熵22-23
• 2.2 小波包变换理论23-28
• 2.2.1 连续小波变换24-25
• 2.2.2 离散小波变换25
• 2.2.3 小波包变换25-26
• 2.2.4 第二代小波变换26-27
• 2.2.5 第二代小波包变换27-28
• 2.3 神经网络理论28-31
• 2.3.1 概率神经网络29-30
• 2.3.2 径向基神经网络30-31
• 2.4 基于小波包Tsallis熵和PNN的轴承智能诊断方法31-37
• 2.4.1 实验情况31-33
• 2.4.2 基于WPT和Tsallis熵的振动信号特征提取33
• 2.4.3 基于小波包Tsallis熵和PNN的智能诊断模型33-34
• 2.4.4 结果分析34-35
• 2.4.5 与小波包能量特征提取方法对比35-37
• 2.5 基于提升小波包样本熵和RBF的轴承智能诊断方法37-42
• 2.5.1 实验情况37-38
• 2.5.2 基于LWPT和SampEn的振动信号特征提取38-39
• 2.5.3 基于提升小波包样本熵和RBF的智能诊断模型39-40
• 2.5.4 结果分析40-42
• 2.6 本章小节42-44
• 第三章 基于二叉树型多分类器集成的智能诊断方法44-58
• 3.1 多尺度熵基本理论44-45
• 3.2 多分类器集成理论45-50
• 3.2.1 成员分类器46-49
• 3.2.2 二叉树型多分类器集成系统49-50
• 3.3 实验情况50-57
• 3.3.1 滚动轴承实验数据50-51
• 3.3.2 多尺度熵特征提取51-52
• 3.3.3 二叉树型多分类器集成系统诊断效果52-54
• 3.3.4 与单一神经网络诊断效果对比54-57
• 3.4 本章小节57-58
• 第四章 滚动轴承鲁棒型智能诊断方法58-79
• 4.1 S变换理论60-62
• 4.1.1 S变换理论60-61
• 4.1.2 S变换计算过程61-62
• 4.2 奇异值分解的定义和性质62-63
• 4.2.1 奇异值分解的定义62
• 4.2.2 奇异值分解的性质62-63
• 4.3 支持向量机理论63-64
• 4.4 滚动轴承故障程度和工况不敏感智能诊断模型64-65
• 4.5 故障程度不敏感智能诊断方法65-69
• 4.5.1 实验数据65-67
• 4.5.2 故障程度不敏感智能诊断模型建立67
• 4.5.3 故障程度不敏感智能诊断结果67-68
• 4.5.4 与小波包std方法诊断结果对比68-69
• 4.6 运行工况不敏感智能诊断方法69-73
• 4.6.1 实验数据69-70
• 4.6.2 运行工况不敏感智能诊断模型建立70-71
• 4.6.3 运行工况不敏感智能诊断结果71-72
• 4.6.4 与Wigner-Ville分布和SVD方法诊断结果对比72-73
• 4.7 故障程度和运行工况不敏感智能诊断方法73-77
• 4.7.1 实验数据73-74
• 4.7.2 故障程度和运行工况不敏感智能诊断模型建立74-75
• 4.7.3 故障程度和运行工况不敏感智能诊断结果75-77
• 4.7.4 与小波包能量方法诊断结果对比77
• 4.8 本章小节77-79
• 第五章 结论与展望79-82
• 5.1 论文结论79-80
• 5.2 主要创新点80
• 5.3 研究展望80-82
• 参考文献82-88
• 个人简历 在读期间发表的学术论文88-89
• 致谢89

【相似文献】

中国期刊全文数据库 前10条

1 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

2 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

3 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

4 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

5 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

6 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

7 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

8 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

9 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

10 赵春华;严新平;赵新泽;袁成清;高虹亮;;滚动轴承故障的可拓物元诊断方法[J];润滑与密封;2006年04期

中国重要会议论文全文数据库 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

2 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

3 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

4 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

5 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

6 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

7 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012年

8 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年

9 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

10 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013年

中国硕士学位论文全文数据库 前10条

1 李男;基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2015年

2 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

3 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

4 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

5 冯春生;基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2015年

6 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年

7 宋耀文;基于振动信号分析的滚动轴承故障特征提取与诊断研究[D];中国矿业大学;2015年

8 韩一村;基于多传感器的滚动轴承故障检测研究[D];河南科技大学;2015年

9 王秀娟;基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D];电子科技大学;2014年

10 段永强;局部均值分解法在滚动轴承故障自动诊断中的应用研究[D];电子科技大学;2015年

，

本文编号：523771