变量预测模型模式识别方法及其在滚动轴承故障诊断中的应用

发布时间：2017-10-07 00:02

  本文关键词：变量预测模型模式识别方法及其在滚动轴承故障诊断中的应用

  更多相关文章： 滚动轴承 故障诊断 变量预测模型模式识别方法 加权最小二乘回归 偏最小二乘回归 线性判别分析

【摘要】：滚动轴承是旋转机械中常用的零部件之一,但由于现场条件恶劣等因素,滚动轴承也是容易损坏的部件之一,旋转机械的很多故障都与滚动轴承有关,并导致旋转机械难以正常运行。滚动轴承的故障可能会引起整个生产线的隐患,造成经济损失甚至是人员伤亡,因此,对滚动轴承的运行状态进行必要的监测和诊断具有非常重要的意义。在本质上,滚动轴承故障诊断其实是一个模式识别的过程。Raghuraj与Lakshminarayanan提出一种新的模式识别方法——变量预测模型模式识别方法(Variable predictive model based class discriminate,简称VPMCD),该方法通过利用样本特征参数间存在的内在相互关系建立起变量预测模型,然后通过得到的预测模型进行待测样本的模式识别及分类。对滚动轴承故障诊断而言,特征提取得到的特征值间一般存在一定的变量关系,并且,在不同的类别或系统之间这种内在关系也具有不同特点。因此,可以将VPMCD方法应用于滚动轴承故障之中。基于此,论文引入变量预测模型模式识别方法,对其理论进行研究改进,并结合时频分析方法提出了基于变量预测模型模式识别的滚动轴承故障诊断方法。论文的主要研究内容如下:1、探讨了滚动轴承故障机理及其常见故障振动特征,并且从信号处理和模式识别两个方面简要阐述了滚动轴承故障诊断方法。2、对VPMCD方法的基本理论进行了详尽阐述。通过UCI标准数据及试验数据对VPMCD方法、神经网络、支持向量机等模式识别方法进行对比分析,结果证明VPMCD方法可以有效用于模式识别。3、VPMCD分类方法是建立在回归模型为同方差性基础上的,当模型存在异方差性时,会导致预测精度降低。针对这一缺陷,用加权最小二乘(WLS)代替原方法中的最小二乘法(OLS)进行参数估计,可以获得更加准确的模型特征参数,提高预测的精度。将局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法应用于特征提取,并对基于LCD的混合故障盲源分离方法进行研究。对不同运行状态下滚动轴承振动信号分析结果表明了基于WVPMCD和LCD的滚动轴承故障诊断方法的有效性。4、针对预测变量存在多重相关性时,最小二乘估计会破坏模型稳健性这一缺陷,提出基于偏最小二乘(PLS)的VPMCD方法,来消除多重相关性的影响,提高模型稳定性。最适应最稀疏时频分析(Adaptive and sparest time-frequency analysis,简称ASTFA)是一种将信号分解转化为优化问题的新的自适应信号处理方法,非常适合处理滚动轴承故障振动信号。论文将二者应用于滚动轴承故障诊断,分析结果表明了该方法的有效性。5、针对VPMCD在处理高维故障数据时产生的“维数灾难”现象,将线性判别分析(Linear discrimination analysis,简称LDA)应用于VPMCD进行滚动轴承劣化状态的辨识,并与主成分分析(Principle components analysis,简称PCA)进行了对比。线性判别分析能够有效对提取的高维特征向量进行特征压缩,得到低维特征向量。低维向量保留了故障信息,符合VPMCD的建模思想,有利于实现在线诊断。实验分析结果表明,将LDA应用于VPMCD可以实现滚动轴承劣化状态的辨识。
【关键词】：滚动轴承 故障诊断 变量预测模型模式识别方法 加权最小二乘回归 偏最小二乘回归 线性判别分析
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 摘要5-7
• Abstract7-14
• 第1章 绪论14-19
• 1.1 课题研究的背景和意义14-15
• 1.2 滚动轴承故障诊断技术的现状与发展趋势15-17
• 1.3 课题提出与章节安排17-19
• 1.3.1 课题提出17
• 1.3.2 论文的章节安排17-19
• 第2章 滚动轴承故障机理及故障诊断技术19-29
• 2.1 滚动轴承结构19-20
• 2.2 滚动轴承振动机理及其振动特征20-23
• 2.2.1 滚动轴承振动机理20
• 2.2.2 滚动轴承振动特征分析20-23
• 2.3 滚动轴承故障诊断方法23-28
• 2.3.1 滚动轴承故障诊断流程23
• 2.3.2 滚动轴承信号处理方法23-26
• 2.3.3 滚动轴承故障模式识别方法26-28
• 2.4 本章小结28-29
• 第3章 变量预测模型模式识别方法29-37
• 3.1 变量预测模型29-30
• 3.2 VPMCD方法原理30-31
• 3.3 VPMCD在实际中的应用31-36
• 3.3.1 VPMCD在UCI标准数据中的应用31
• 3.3.2 VPMCD在滚动轴承故障诊断中的应用31-36
• 3.4 本章小结36-37
• 第4章 基于WVPMCD和LCD的滚动轴承故障诊断方法37-52
• 4.1 局部特征尺度分解38-41
• 4.1.1 局部特征尺度分解（LCD）算法38-39
• 4.1.2 信号仿真分析39-41
• 4.2 基于LCD的混合故障盲源分离方法41-46
• 4.2.1 盲源分离41
• 4.2.2 基于LCD的盲源分离方法41-43
• 4.2.3 仿真分析43-44
• 4.2.4 实例分析44-46
• 4.3 基于加权最小二乘估计的WVPMCD方法46-47
• 4.3.1 WVPMCD方法46
• 4.3.2 仿真分析46-47
• 4.4 WVPMCD方法在滚动轴承故障诊断中的应用47-51
• 4.4.1 基于WVPMCD的滚动轴承故障诊断方法47-48
• 4.4.2 实例应用48-51
• 4.5 本章小结51-52
• 第5章 基于PVPMCD和ASTFA的滚动轴承故障诊断方法52-61
• 5.1 自适应最稀疏时频分析(ASTFA)方法53-56
• 5.1.1 ASTFA方法53
• 5.1.2 仿真对比分析53-56
• 5.2 基于偏最小二乘的PVPMCD方法56-57
• 5.2.1 PVPMCD方法56
• 5.2.2 仿真分析56-57
• 5.3 基于PVPMCD和ASTFA的滚动轴承故障诊断方法57-60
• 5.3.1 基于ASTFA的Hilbert谱奇异值特征提取方法57-58
• 5.3.2 实例应用58-60
• 5.4 本章小结60-61
• 第6章 基于LDA-VPMCD的滚动轴承劣化状态辨识研究61-69
• 6.1 基于LDA-VPMCD的滚动轴承劣化状态辨识方法62-65
• 6.1.1 线性判别分析算法62
• 6.1.2 多尺度熵62-63
• 6.1.3 基于LDA-VPMCD的滚动轴承劣化状态辨识方法63-65
• 6.2 实例应用65-68
• 6.3 本章小结68-69
• 结论与展望69-71
• 参考文献71-75
• 致谢75-76
• 附录A 攻读学位期间发表和录用的论文目录76-77
• 附录B 攻读学位期间参与的科研项目77

【参考文献】

中国期刊全文数据库 前8条

1 杨宇;曾鸣;程军圣;;局部特征尺度分解方法及其分量判据研究[J];中国机械工程;2013年02期

2 韩中合;韩悦;朱霄s，

本文编号：985741