基于KICA和LSSVM的滚动轴承故障监测及诊断方法

发布时间：2017-10-03 00:06

  本文关键词：基于KICA和LSSVM的滚动轴承故障监测及诊断方法

  更多相关文章： 滚动轴承 故障诊断 混合域特征 KICA LSSVM

【摘要】：滚动轴承作为一种重要的旋转机械设备,受其工作环境、工作强度的影响,其使用寿命和故障发生的时间具有不确定性,因此对其运行状态进行监测并且及时地开展故障诊断意义重大。本文以滚动轴承为研究对象,重点研究了局部均值分解方法(LMD)在轴承振动信号特征提取中的应用、混合域特征集对于全面反应故障特征信息的优势、核独立元分析(KICA)对轴承运行状态监测、特征提取和最小二乘支持向量机(LSSVM)在故障分类中的应用。首先,针对传统的故障诊断方法的不足,本文利用了特征参数法分别求出信号的时域和频域特征、并与信号经LMD分解后求得的时频域特征相结合构建混合域特征集,用以全面地反应故障特征的信息,为进一步进行状态监测和故障分类做准备。其次,通过提取信号的时域特征参数构建特征集,并将其作为KICA的输入作进一步分析,结果表明KICA能够有效地对滚动轴承的运行状态进行监测,及时地检测出故障。同时通过与独立元分析方法(ICA)的结果作对比,表明KICA比ICA具备更好的监控性能。最后,针对构建出的混合域特征集中存在的信息冗余以及维数过高等问题,本文采用了KICA方法对混合域特征集进行降维降噪,并将降维之后的特征集输入到LSSVM中进行分类,结果表明通过构建混合域特征集能够提升轴承故障分类的准确率,并且通过与支持向量机(SVM)方法的分类结果作对比,验证了LSSVM的优越性。仿真结果表明,本文所提：构建混合域特征集-KICA-LSSVM的滚动轴承故障监测及诊断方法是有效的,对于进一步提升机械设备故障监测和诊断的准确性具有重要意义。
【关键词】：滚动轴承 故障诊断 混合域特征 KICA LSSVM
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH165.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-19
• 1.1 课题的研究背景及意义11-12
• 1.2 课题的国内外研究现状12-17
• 1.2.1 过程监控研究现状12-14
• 1.2.2 特征提取研究现状14-16
• 1.2.3 基于振动信号的智能故障诊断技术研究现状16-17
• 1.3 本文的主要研究工作17-19
• 1.3.1 论文研究思路17
• 1.3.2 论文的章节安排17-19
• 第二章 振动信号的自适应时频分析方法19-31
• 2.1 EMD分解19-21
• 2.1.1 固有模态函数19-20
• 2.1.2 EMD分解步骤20-21
• 2.2 LMD算法介绍21-25
• 2.3 试验信号对比分析25-26
• 2.4 LMD算法存在的问题及改进办法26-27
• 2.5 试验信号分析27-30
• 2.6 本章小结30-31
• 第三章 多域混合特征集的构建31-41
• 3.1 滚动轴承故障机理概述31-36
• 3.1.1 滚动轴承的基本组成结构31-32
• 3.1.2 滚动轴承的故障形式32-33
• 3.1.3 滚动轴承振动的原因及频率33-35
• 3.1.4 仿真信号介绍35-36
• 3.2 时域特征参数提取36-38
• 3.3 频域特征参数38-39
• 3.4 基于LMD的信号特征提取研究39
• 3.5 多域混合特征集的构建39-40
• 3.6 本章小结40-41
• 第四章 基于KICA的滚动轴承故障监控41-53
• 4.1 独立成分分析算法介绍41-43
• 4.1.1 ICA的基本定义41-42
• 4.1.2 数据预处理42-43
• 4.1.3 快速ICA算法43
• 4.2 核独立成分分析算法介绍43-48
• 4.2.1 数据映射43-44
• 4.2.2 数据预处理44-45
• 4.2.3 基于KICA的过程监控模型45-47
• 4.2.4 基于KICA的过程监控算法步骤47-48
• 4.3 仿真结果与分析48-52
• 4.3.1 仿真对象48-50
• 4.3.2 仿真验证50-52
• 4.4 本章小结52-53
• 第五章 LSSVM在滚动轴承故障识别中的应用53-67
• 5.1 支持向量机(SVM)理论53-58
• 5.1.1 线性可分支持向量机原理53-55
• 5.1.2 线性不可分支持向量机原理55-56
• 5.1.3 核函数56-57
• 5.1.4 SVM的多分类问题57-58
• 5.2 最小二乘支持向量机(LSSVM)理论58-61
• 5.2.1 两类LSSVMS分类器59-60
• 5.2.2 多类LSSVM分类器60-61
• 5.3 基于KICA的特征提取61-62
• 5.4 基于LSSVM的滚动轴承故障识别步骤62-63
• 5.5 仿真结果及对比分析63-66
• 5.6 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 总结67-68
• 6.2 后续展望68-69
• 致谢69-71
• 参考文献71-75
• 附录A 攻读硕士学位期间的研究成果75

【参考文献】

中国期刊全文数据库 前7条

1 常鹏;高学金;王普;;基于多向核熵偏最小二乘的间歇过程监测及质量预测[J];北京工业大学学报;2014年06期

2 张宵;马洁;;数据驱动PCA、ICA和KICA故障检测仿真比较[J];北京信息科技大学学报(自然科学版);2014年05期

3 许仙珍;谢磊;王树青;;基于PCA混合模型的多工况过程监控[J];化工学报;2011年03期

4 赵忠盖;刘飞;;一种基于核独立元分析的非线性过程监控方法[J];系统仿真学报;2008年20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 赵冲冲;廖明夫;于潇;;基于支持向量机的旋转机械故障诊断。[J];振动、测试与诊断;2006年01期

7 程军圣;杨宇;于德介;;局部均值分解方法及其在齿轮故障诊断中的应用[J];振动工程学报;2009年01期

中国博士学位论文全文数据库 前2条

1 金阳;加高斯窗的STFT对内燃机振声信号的适用性相关研究[D];浙江大学;2011年

2 易辉;基于支持向量机的故障诊断及应用研究[D];南京航空航天大学;2011年

中国硕士学位论文全文数据库 前2条

1 马彩君;基于数据分析的传感器故障诊断方法研究[D];中国石油大学;2007年

2 刘雨;基于支持向量数据描述与信息融合的设备性能退化评估研究[D];上海交通大学;2009年

，

本文编号：962010