基于机器学习的滚动轴承故障识别研究

发布时间：2017-07-25 14:05

  本文关键词：基于机器学习的滚动轴承故障识别研究

  更多相关文章： 滚动轴承故障 Hilbert-Huang变换 相关系数 稀疏编码 支持向量机

【摘要】：滚动轴承作为旋转机械设备的关键组成部分,对旋转机械设备的安全运行起着至关重要的作用。针对轴承故障振动信号非线性、非平稳、样本数量小的特性,选取合适的特征提取以及模式识别方法是实现轴承故障诊断、提高故障识别率的关键。本文对滚动轴承故障机理以及常用的故障诊断方法进行了介绍,根据轴承振动信号的非线性、非平稳特性选取Hilbert-Huang变换作为特征提取方法,分析了其优缺点。针对经验模态分解过程中虚假分量的问题,引入相关系数来选取有效的固有模态分量并对其进行Hilbert变换,通过仿真验证了改进方法的有效性。由于轴承故障诊断属于典型的小样本问题,选取适应于小样本分类的支持向量机作为分类器。根据轴承信号非线性、多种类的特点引出非线性支持向量机和多分类支持向量机。采用改进后的粒子群优化算法对支持向量机进行参数寻优,通过实验验证了改进后算法的有效性。针对边际谱包含大量冗余信息,导致分类器计算复杂度增加,引入稀疏编码理论,建立HHT-SC-SVM滚动轴承故障诊断模型。对边际谱进行二次抽象,建立统一的字典库,进行稀疏表示,将稀疏系数送入分类器进行训练和预测。采用SKF-6205-2RS轴承试验台数据对本文提出的HHT-SC-SVM模型进行实验分析。实验结果表明,风扇端十种轴承故障识别率为98.25%,驱动端十种轴承故障识别率为99.5%。与HHT-SVM模型相比,故障识别率分别提高了9%、0.5%。
【关键词】：滚动轴承故障 Hilbert-Huang变换 相关系数 稀疏编码 支持向量机
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-14
• 1 绪论14-20
• 1.1 课题的研究背景和意义14-15
• 1.2 国内外研究现状15-18
• 1.3 论文主要研究内容与结构18-20
• 2 滚动轴承机理及故障诊断方法概述20-32
• 2.1 引言20
• 2.2 滚动轴承故障诊断机理20-23
• 2.3 滚动轴承信号分析方法概述23-29
• 2.4 滚动轴承信号故障识别方法概述29-31
• 2.5 本章小结31-32
• 3 基于Hilbert-Huang变换理论的特征提取方法32-40
• 3.1 引言32
• 3.2 Hilbert-Huang变换理论32-35
• 3.3 Hilbert-Huang变换的优缺点及改进35-36
• 3.4 仿真分析36-38
• 3.5 本章总结38-40
• 4 SVM理论知识及参数寻优40-52
• 4.1 引言40
• 4.2 支持向量机理论知识40-44
• 4.3 支持向量机参数优化算法的研究及改进44-48
• 4.4 仿真分析48-51
• 4.5 本章小结51-52
• 5 基于稀疏编码的滚动轴承故障诊断52-64
• 5.1 引言52
• 5.2 信号稀疏表示相关术语52-53
• 5.3 HHT-SC-SVM滚动轴承故障诊断模型设计53-56
• 5.4 实验分析56-63
• 5.5 本章小结63-64
• 6 总结与展望64-66
• 6.1 论文主要工作64
• 6.2 展望64-66
• 参考文献66-71
• 作者简历71-73
• 学位论文数据集73

【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 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

3 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

4 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

5 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

6 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

7 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

8 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

9 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

10 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

中国硕士学位论文全文数据库 前10条

1 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

2 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

3 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

4 王德丽;基于改进HHT与SVM的滚动轴承故障诊断方法研究[D];北京交通大学;2016年

5 邵海贺;基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D];长春工业大学;2016年

6 张磊;滚动轴承故障程度和工况不敏感智能诊断方法研究[D];华东交通大学;2016年

7 胡猛;基于局部均值分解的滚动轴承故障诊断方法研究[D];燕山大学;2016年

8 苏翠娇;AMD和EMD方法在滚动轴承故障诊断中的应用研究[D];燕山大学;2016年

9 王腾超;基于振动监测的风电机组滚动轴承故障诊断应用研究[D];燕山大学;2016年

10 李亚超;基于VMD的滚动轴承故障诊断方法研究[D];石家庄铁道大学;2016年

，

本文编号：571681