基于高斯混合隐马尔科夫模型的滚动轴承故障诊断方法研究

发布时间：2017-10-05 22:01

  本文关键词：基于高斯混合隐马尔科夫模型的滚动轴承故障诊断方法研究

  更多相关文章： 小波包分解与重构 隐马尔可夫模型 故障诊断 ADAMS仿真

【摘要】：随着现代高新技术的飞速发展,现代化工业进程也日趋完善,在现代化工厂中对机械设备的要求也越来越高。但是随着机械设备的运转、磨损,机械设备故障的出现也就在所难免了,而滚动轴承又是机械设备中应用最广泛的零部件之一,所以滚动轴承运转状态优劣如何直接影响到整个机械设备的性能。针对传统的模式识别方法(如神经网络识别法)一直停留在静态模式识别上的不足,本文提出懫用一种具有统计规律的动态模式识别技术-隐马尔科夫模型来对滚动轴承进行故障诊断。本文以Rexnord ER10k型号滚动轴承作为研究对象,把滚动轴承模式识别作为研究目的,提出了基于高斯混合隐马尔科夫模型的滚动轴承故障诊断的方法研究,对滚动轴承各故障模式不同尺寸分别做了故障仿真研究和实验研究。其主要内容如下:基于小波包分解与重构的信号特征提取研究。通过实验采集的数据,由于机械运转或者外界环境的因素,无可避免的给实验数据带来一些噪声信号。然而滚动轴承相关零部件振动信号有着不同的频域能量,所以将滚动轴承故障信号经过小波包分解与重构后,得到全部的小波包分解系数。然后分别重构各分解后的小波包系数,再根据不同故障模式的滚动轴承振动信号在频域能量分布中的差异性,对重构后的小波系数提取特征向量。最后把经过小波包分解与重构后故障信号的特征向量进行归一化处理,采用这种方法既提高了信号的分辨率,也起到了很好的消噪作用。基于ADAMS滚动轴承单体故障建模与仿真研究。在Solidworks软件中建立以Rexnord ER10为对象的滚动轴承模型,通过模拟仿真,设定与实验相关参数,获得理想状态下的滚动轴承单体故障信号。将仿真获得的滚动轴承单体故障信号和实验数据作为输入样本建立各故障模式的高斯混合隐马尔科夫模型(GMM-HMM),采用实验数据与仿真数据作为高斯混合隐马尔科夫模型的输入样本还能很好的适应于后阶段对滚动轴承各故障模式不同损伤程度的判别提供很好的依据。高斯混合隐马尔科夫模型在故障诊断中的应用。由于隐马尔科夫模型最先应用于语音识别领域,在滚动轴承故障诊断中鲜有考虑,本文针对滚动轴承故障诊断特性分析,讨论了隐马尔科夫模型在滚动轴承故障诊断应用中的可行性,并且对隐马尔科夫模型几种不同类型应用方法进行了探讨,其探讨结果认为高斯混合隐马尔科夫模型对滚动轴承故障诊断的应用比其他几种类型的方法更有优势。基于高斯混合隐马尔科夫模型的滚动轴承故障诊断建模与实验验证。滚动轴承故障信号通过小波包分解与重构后获得能量特征信号利用信号各频段的能量组成的特征矢量作为GMM-HMM模型样本输入,对GMM-HMM模型进行训练,获得滚动轴承各故障模式不同故障尺寸的高斯混合隐马尔科夫模型。最后利用实验数据和仿真数据对已经建立起来的GMM-HMM模型进行测试,通过计算当前的状态监测数据在GMM-HMM模型库出现的概率,并且根据出现的最大概率来评估其所处的故障模式。该研究发现经过小波包分解与重构后的滚动轴承故障信号,能很好的应用于隐马尔科夫模型,获得较高的识别率,并且建立隐马尔科夫模型所需要的样本数量少,计算并不复杂,所以基于小波包分解与重构和隐马尔科夫模型的方法能很好的应用到滚动轴承故障诊断研究中。
【关键词】：小波包分解与重构 隐马尔可夫模型 故障诊断 ADAMS仿真
【学位授予单位】：湖南科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-21
• 1.1 课题来源11
• 1.2 研究背景和意义11-13
• 1.3 机械设备故障诊断技术的研究进展13-15
• 1.4 滚动轴承故障诊断技术的国内外研究现状15-18
• 1.5 本文研究的主要内容18-19
• 1.6 本章小结19-21
• 第二章 滚动轴承单体故障动力学仿真研究21-29
• 2.1 ADAMS软件简介21-22
• 2.2 滚动轴承模型的建立与单体故障动力学仿真22-28
• 2.2.1 正常滚动轴承动力学仿真22-24
• 2.2.2 滚动轴承外圈故障动力学仿真24-25
• 2.2.3 滚动轴承内圈故障动力学仿真25-26
• 2.2.4 滚动轴承滚子故障动力学仿真26-28
• 2.3 本章小结28-29
• 第三章 滚动轴承故障诊断特征提取方法29-43
• 3.1 傅里叶变换与小波分析29-30
• 3.2 小波包分解与重构30-35
• 3.2.1 小波包的概念30-31
• 3.2.2 小波包函数的傅里叶变换31-32
• 3.2.3 小波空间的小波包分解32
• 3.2.4 多分辨分析法32-34
• 3.2.5 小波一维Mallat算法34-35
• 3.3 实验系统与故障特征提取35-42
• 3.4 本章小结42-43
• 第四章 高斯混合隐马尔科夫模型的基本理论及其应用43-57
• 4.1 隐马尔科夫模型基本概念43-45
• 4.2 隐马尔科夫模型定义45-46
• 4.3 隐马尔科夫模型基本算法46-52
• 4.3.1 前向后向算法47-49
• 4.3.2 维特比算法49-50
• 4.3.3 保姆韦尔奇算法50-52
• 4.4 高斯混合隐马尔科夫模型简介52-56
• 4.4.1 高斯混合隐马尔科夫模型的参数重估算法52-54
• 4.4.2 基于高斯混合隐马尔科夫模型的故障诊断方法54-56
• 4.5 本章小结56-57
• 第五章 GMM-HMM在滚动轴承故障诊断中的应用57-71
• 5.1 滚动轴承故障数据样本介绍与故障特征提取57
• 5.2 GMM-HMM模型库建立与参数训练57-64
• 5.3 高斯混合隐马尔科夫模型的测试与验证64-68
• 5.4 GMM-HMM和神经网络诊断方法的对比分析68-70
• 5.5 本章小结70-71
• 第六章 总结与展望71-73
• 6.1 全文总结71-72
• 6.2 研究展望72-73
• 参考文献73-79
• 致谢79-81
• 附录 攻读学位期间参研项目和发表论文81

【参考文献】

中国期刊全文数据库 前9条

1 王国锋,王子良,秦旭达,王太勇;基于小波包和径向基神经网络轴承故障诊断[J];北京科技大学学报;2004年02期

2 王国栋;张建宇;高立新;胥永刚;张雪松;;小波包神经网络在轴承故障模式识别中的应用[J];轴承;2007年01期

3 郝旺身;韩捷;董辛e，

本文编号：979045