基于振动信号分析的滚动轴承故障诊断方法研究

发布时间：2017-09-14 04:26

  本文关键词：基于振动信号分析的滚动轴承故障诊断方法研究

  更多相关文章： 滚动轴承 故障诊断 样本熵 小波包分解 支持向量机

【摘要】：滚动轴承在旋转机械中应用广泛,是最常见的零部件之一,其工作状态能够直接影响整个设备的安全性。为了保证设备正常运行,对滚动轴承的状态监测与故障诊断势在必行。由于传统的故障诊断方法难以全面表征复杂故障类型,而滚动轴承的故障模式与其故障特征向量之间存在复杂的非线性关系。因此本文从振动信号处理着手,以支持向量机(Support Vector Machine)为模式识别方法,对可作为故障特征的各个统计参数指标进行了分析和比较,从中选取性能稳定良好的作为轴承故障特征;另外,结合小波包分解和样本熵作为另一种轴承故障特征提取方法。由此,本文提出了两种可行的滚动轴承故障诊断方法。方法一:分别在时域和频域中提取振动信号中性能优良的统计参数指标,以多特征组合的方式构建了8维特征向量,最后输入SVM进行分类和预测。方法二:结合小波包分解和样本熵。首先分别对振动信号进行1,2,3层小波包分解,分别得到2,4,8个频带,再加上原始振动信号,共15个频带;然后计算各频带的样本熵,用样本熵在各个频带的走势来表征故障类型;最后把构建的15维特征向量输入SVM完成故障诊断。最后,为了验证本文所用方法的可行性和优越性,使用了美国凯斯西储大学的轴承数据对两种方法分别进行了测试,并与已有方法进行了比较,结果表明本文所用方法性能稳定且在预测正确率上有明显优势。
【关键词】：滚动轴承 故障诊断 样本熵 小波包分解 支持向量机
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-15
• 1.1 选题背景及其意义9-10
• 1.2 滚动轴承故障诊断的研究现状与趋势10-12
• 1.3 智能诊断的应用12-13
• 1.4 课题研究内容及安排13-15
• 第2章 滚动轴承故障机理分析15-19
• 2.1 滚动轴承基本结构15-16
• 2.2 滚动轴承失效的表现形式16
• 2.3 滚动轴承故障机理以及故障特征频率计算16-18
• 2.3.1 振动机理16-18
• 2.3.2 故障特征频率计算18
• 2.4 本章小结18-19
• 第3章 滚动轴承振动信号特征提取19-36
• 3.1 数据来源19-20
• 3.2 基于统计指标的振动信号特征提取方法20-31
• 3.2.1 时、频域统计指标介绍20-22
• 3.2.2 滚动轴承时域、频域统计指标分析22-31
• 3.3 基于小波包样本熵的振动信号特征提取方法31-35
• 3.3.1 样本熵算法简介31-32
• 3.3.2 小波包分解基本原理32-33
• 3.3.3 轴承振动信号小波包样本熵分析33-35
• 3.4 本章小结35-36
• 第4章 基于支持向量机的模式识别方法36-46
• 4.1 支持向量机基本原理原理介绍36-39
• 4.1.1 线性情况下构建最优超平面36-37
• 4.1.2 非线性情况下构建最优超平面37-38
• 4.1.3 核函数的参数寻优38-39
• 4.2 基于支持向量机的滚动轴承故障诊断实例39-44
• 4.2.1 基于统计指标和SVM的诊断方法39-41
• 4.2.2 基于小波包样本熵的诊断方法41-44
• 4.3 稳定性验证和优越性验证44-45
• 4.4 本章小结45-46
• 第5章 总结和展望46-47
• 5.1 总结46
• 5.2 展望46-47
• 参考文献47-50
• 致谢50

【参考文献】

中国期刊全文数据库 前10条

1 郝腾飞;陈果;;旋转机械故障的拉普拉斯支持向量机诊断方法[J];中国机械工程;2016年01期

2 王亮;王旭红;;基于小波神经网络的感应电机直接转矩控制[J];电力科学与工程;2015年12期

3 石明江;罗仁泽;付元华;;小波和能量特征提取的旋转机械故障诊断方法[J];电子测量与仪器学报;2015年08期

4 梁西昌;万熠;朱振杰;寇兆军;张东;;频谱分析法在振动时效系统中的实验研究[J];实验技术与管理;2015年02期

5 程军圣;史美丽;杨宇;;基于LMD与神经网络的滚动轴承故障诊断方法[J];振动与冲击;2010年08期

6 韩永杰;郝伟;董辛e，

本文编号：847862