滚动轴承退化状态识别技术研究

发布时间：2017-07-17 14:15

  本文关键词：滚动轴承退化状态识别技术研究

  更多相关文章： 滚动轴承 故障特征提取 集合经验模态分解 支持向量机 退化

【摘要】：作为旋转机械中使用最普遍的关键组件—滚动轴承,其状况对它所支撑的转子甚至整台设备的正常运转具有重要的影响作用。滚动轴承故障的发展具有一个由轻微到严重的变化过程,准确及时地识别出运行过程中滚动轴承的退化状态,可以合理指导制定性能检查和替换维护计划,对提高整个机械设备运行的可靠性具有重要的意义。本论文中采用改进的集合经验模态分解(EEMD)和支持向量机(SVM)相结合的方法进行滚动轴承的退化状态识别。EEMD法能将信号自适应地分解到不同的尺度上,特别适合对于非稳定、非线性的信号进行处理。本文采用的改进EEMD法根据分解过程中信号和加入的白噪声的特点来选择EEMD的参数,这避免了传统EEMD法的根据经验人为选取参数,分解结果不够准确问题。之后对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号再进行包络谱分析,提取其故障特征,以确定滚动轴承发生故障的具体位置。准确地评估滚动轴承退化状态的关键问题是如何在有限的状态数据下建立合适的模型。而SVM正是一种解决小样本分类与预测的机器学习算法,该算法是建立在结构风险最小化原理和统计学习理论的VC维理论基础之上的,依据有限的数据样本在学习能力和模型的复杂性之间寻求最佳折衷,从而可以获得较好的分类识别准确率。本文在EEMD分解提取故障特征的基础上,根据不同故障类型通过GA和SVM来提取滚动轴承的退化状态识别特征,利用滚动轴承退化状态概率分布以及历史剩余寿命来确定其最优退化状态数目建立退化状态识别模型。最后用不同退化状态的测试数据作为特征和参数经过GA优化过的SVM的输入向量进行滚动轴承退化状态的识别分类。经实际轴承故障数据验证表明,该方法可以实现滚动轴承退化状态的准确识别。
【关键词】：滚动轴承 故障特征提取 集合经验模态分解 支持向量机 退化
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-20
• 1.1 研究背景11-12
• 1.2 研究目的和意义12-13
• 1.3 故障预测和健康管理(PHM)技术的发展过程和研究现状13-19
• 1.3.1 PHM技术的演化过程13-15
• 1.3.2 PHM的研究现状15-17
• 1.3.3 故障预测中故障特征提取技术的研究现状17-18
• 1.3.4 故障预测中退化状态识别技术的研究现状18-19
• 1.4 论文主要研究内容19
• 1.5 小结19-20
• 第2章 滚动轴承故障机理及退化状态识别基本理论20-33
• 2.1 滚动轴承的振动机理及失效形式20-24
• 2.1.1 滚动轴承的振动机理20-23
• 2.1.2 滚动轴承的失效形式23-24
• 2.2 滚动轴承的故障诊断的方法24-26
• 2.3 滚动轴承的故障特征提取技术26-28
• 2.3.1 时域分析方法26
• 2.3.2 频域分析方法26-27
• 2.3.3 时频分析方法27-28
• 2.4 滚动轴承的退化状态识别技术28-32
• 2.4.1 人工神经网络技术29-31
• 2.4.2 支持向量机技术31-32
• 2.5 小结32-33
• 第3章 基于HHT的滚动轴承故障特征提取33-42
• 3.1 EEMD基本理论33-38
• 3.1.1 固有模态函数和经验模式分解33-35
• 3.1.2 Hilbert时频谱和边际谱35-36
• 3.1.3 EEMD法的提出过程36-37
• 3.1.4 EEMD法的原理及其算法实现37-38
• 3.2 改进的EEMD法38-40
• 3.2.1 EEMD的参数优化38-39
• 3.2.2 固有模态函数重构及包络谱分析39-40
• 3.3 小结40-42
• 第4章 基于SVM的滚动轴承退化状态识别42-55
• 4.1 统计学习理论基础及SVM模型理论42-48
• 4.1.1 统计学习基本理论42-44
• 4.1.2 支持向量机模型理论44-47
• 4.1.3 支持向量机的核函数47-48
• 4.2 基于GA的SVM参数优化48-52
• 4.2.1 遗传算法(GA)基本理论48-49
• 4.2.2 遗传算法的特点和应用49-50
• 4.2.3 用GA对SVM进行特征选择和参数优化50-52
• 4.3 退化状态离散化52-54
• 4.4 小结54-55
• 第5章 实验验证55-68
• 5.1 轴承加速度实验分析55-62
• 5.1.1 EEMD在滚动轴承故障特征提取中的应用55-58
• 5.1.2 SVM在滚动轴承退化状态识别中的应用58-62
• 5.2 轴承破坏性实验分析62-66
• 5.2.1 EEMD在滚动轴承故障特征提取中的应用62-66
• 5.3 小结66-68
• 结论68-69
• 参考文献69-74
• 攻读硕士学位期间发表的论文和取得的科研成果74-75
• 致谢75-76

【相似文献】

中国期刊全文数据库 前3条

1 曾庆虎;邱静;刘冠军;谭晓栋;;基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用[J];兵工学报;2008年02期

2 曾庆虎;邱静;刘冠军;苗强;;基于KPCA-HSMM设备退化状态识别方法的研究[J];兵工学报;2009年06期

3 ;[J];;年期

中国博士学位论文全文数据库 前1条

1 曾庆虎;机械传动系统关键零部件故障预测技术研究[D];国防科学技术大学;2010年

中国硕士学位论文全文数据库 前2条

1 王明华;滚动轴承退化状态识别技术研究[D];沈阳理工大学;2015年

2 原媛;基于HMM的退化状态识别和故障预测研究[D];太原科技大学;2014年

，

本文编号：553973