基于振动特征提取的滚动轴承故障诊断方法研究

发布时间：2017-10-12 15:39

  本文关键词：基于振动特征提取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 Hilbert-Huang变换 总体局部均值分解 神经网络 支持向量机

【摘要】：滚动轴承是机械设备中最常用的部件之一,因此研究滚动轴承这类典型的旋转机械设备的监测与故障诊断方法具有重要意义。在机械设备运行中,滚动轴承出现故障时,滚动轴承的振动信号包含有丰富的故障信息,如何运用现代信号处理的方法提取故障信号中的故障特征,一直是故障诊断领域的研究热点。时频分析方法一直是机械故障诊断中应用广泛的一种分析工具。随着现代信号处理方法的发展,出现了一些新的时频分析方法,因此对其进行研究也具有重要的价值。本文在基于研究了非平稳性时频分析方法的基础上,引入了局部均值分解方法,采用改进局部均值分解方法与神经网络、支持向量机相结合的方法,最终实现对滚动轴承的智能故障诊断。 本文主要研究内容如下： 1)研究了传统时频分析方法在非平稳信号分析中的应用。在研究短时傅里叶变换、Wigner-Ville分布、小波变换以及Hilbert-Huang变换的基础上,引入基于小波包和Hilbert包络谱共振解调方法,以及基于Hilbert-Huang变换的方法,实现对滚动轴承的故障诊断,后者是通过Hilbert边际谱来提取滚动轴承的故障特征,进而判定滚动轴承的故障类型的。 2)重点研究了一种新的时频分析方法---局部均值分解方法,对算法原理作了分析,并对算法计算过程作了仿真分析,重点研究了瞬时相位的展开方法与瞬时频率的求取方法。研究了LMD方法和EMD方法的差异,仿真分析LMD方法并应用于滚动轴承故障特征提取。针对LMD方法的模式混淆问题,提出总体局部均值分解(ELMD)方法,仿真对比研究LMD方法和ELMD方法。 3)与结合神经网络相结合,提出一种基于ELMD和神经网络的滚动轴承故障诊断方法,采用ELMD方法作为预处理器提取滚动轴承的峭度系数和能量特征参数,构造特征向量,输入到BP神经网络进行故障分类识别。与小波包分解作预处理器进行了对比,通过对滚动轴承信号的实例分析,验证了该方法的有效性实用性。 4)与支持向量机相结合,提出一种基于ELMD和最小二乘支持向量机的滚动轴承故障诊断方法,运用ELMD方法提取特征,构造故障特征向量。采用该方法对滚动轴承的工作状态和故障类型进行自动分类识别,通过对滚动轴承的实例分析,表明了该方法的有效性。
【关键词】：滚动轴承 故障诊断 Hilbert-Huang变换 总体局部均值分解 神经网络 支持向量机
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要5-7
• Abstract7-12
• 第一章 绪论12-24
• 1.1 选题背景及意义12-13
• 1.2 滚动轴承故障诊断技术发展状况13-14
• 1.3 滚动轴承故障诊断研究现状与发展趋势14-21
• 1.3.1 基于现代信号处理方法的滚动轴承故障诊断研究14-19
• 1.3.2 智能故障诊断19-21
• 1.4 本文主要研究内容及安排21-24
• 第二章 滚动轴承振动机理及故障特征分析24-32
• 2.1 概述24
• 2.2 滚动轴承失效表现形式24-25
• 2.3 滚动轴承的振动机理25-26
• 2.4 滚动轴承振动诊断的故障特征分析26-30
• 2.4.1 低频诊断的理论特征频率计算27-28
• 2.4.2 高频诊断的固有振动频率计算28
• 2.4.3 滚动轴承故障时的振动特性28-30
• 2.5 本章小结30-32
• 第三章 非平稳信号的时频分析方法32-50
• 3.1 概述32
• 3.2 短时傅里叶变换32-35
• 3.2.1 短时傅里叶变换的缺陷33
• 3.2.2 短时傅里叶变换的仿真应用33-35
• 3.3 Wigner-Ville分布35-37
• 3.3.1 伪Wigner-Ville分布仿真应用36-37
• 3.3.2 平滑伪Wigner-Ville分布仿真应用37
• 3.4 小波变换37-42
• 3.4.1 小波包分解和重构原理38-39
• 3.4.2 Hilbert算子包络解调原理39-40
• 3.4.3 基于小波包和Hilbert包络谱的滚动轴承故障诊断40-42
• 3.5 Hilbert-Huang变换42-49
• 3.5.1 经验模式分解(EMD)方法与Hilbert变换42-44
• 3.5.2 HHT算法的不足44-45
• 3.5.3 基于Hilbert-Huang变换的滚动轴承故障诊断45-49
• 3.6 本章小结49-50
• 第四章 局部均值分解时频分析方法50-68
• 4.1 局部均值分解概述50
• 4.2 LMD时频分析方法50-58
• 4.2.1 LMD分解原理及算法计算过程50-54
• 4.2.2 局部均值分解方法计算实例54-55
• 4.2.3 直接法求取瞬时频率55-58
• 4.3 LMD方法与EMD方法的比较58
• 4.4 LMD时频分析方法的仿真应用58-62
• 4.5 基于LMD方法的滚动轴承故障诊断62-64
• 4.6 总体局部均值分解(ELMD)64-66
• 4.7 LMD与ELMD分解仿真对比研究66-67
• 4.8 本章小结67-68
• 第五章 基于ELMD和神经网络的滚动轴承故障诊断68-78
• 5.1 神经网络概述68
• 5.2 人工神经网络特点68-69
• 5.3 BP神经网络结构及其学习算法69-73
• 5.3.1 BP神经网络结构69-71
• 5.3.2 BP神经网络学习算法71-73
• 5.4 BP神经网络的设计73-74
• 5.5 基于ELMD和神经网络的滚动轴承故障诊断74-75
• 5.6 实例分析75-76
• 5.7 本章小结76-78
• 第六章 基于ELMD和最小二乘支持向量机的滚动轴承故障诊断78-88
• 6.1 支持向量机概述78-79
• 6.2 支持向量机理论79-80
• 6.2.1 支持向量机79
• 6.2.2 支持向量机的特点79-80
• 6.3 最小二乘支持向量机的分类原理80-82
• 6.4 多分类的支持向量机82-84
• 6.4.1 一对多分类算法82-83
• 6.4.2 一对一分类算法83-84
• 6.5 基于ELMD与最小二乘支持向量机的滚动轴承故障诊断84-85
• 6.6 实例分析85-86
• 6.7 本章小结86-88
• 第七章 结论与展望88-90
• 7.1 结论88-89
• 7.2 展望89-90
• 致谢90-92
• 参考文献92-98
• 附录98-99
• A. 申请人在攻读硕士学位期间发表的学术论文98
• B. 申请人在攻读硕士学位期间获得的软件著作权98-99
• C. 申请人在攻读硕士学位期间获得的专利99
• D. 申请人在攻读硕士学位期间获得的奖励99

【参考文献】

中国期刊全文数据库 前10条

1 兰华;常家宁;周凌;王冰;张镭;;基于局部均值分解与神经网络的短期负荷预测[J];电测与仪表;2012年05期

2 李玉军;汤晓君;刘君华;;基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用[J];光谱学与光谱分析;2010年03期

3 卜伶俐;郭建英;蒋凤林;;小波分析与Hilbert分析在滚动轴承故障诊断中的应用[J];哈尔滨理工大学学报;2008年02期

4 李志农;刘卫兵;肖尧先;邬冠华;;基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究[J];机械设计与制造;2011年11期

5 朱森第;我国装备制造业的现状与发展战略鍌[J];机电工程技术;2001年02期

6 陈永会;姜旭;郭山国;李海虹;;基于小波分析和Hilbert变换的滚动轴承故障诊断[J];机械设计;2010年08期

7 程军圣;张亢;杨宇;;基于噪声辅助分析的总体局部均值分解方法[J];机械工程学报;2011年03期

8 李志农;刘卫兵;易小兵;;基于局域均值分解的机械故障欠定盲源分离方法研究[J];机械工程学报;2011年07期

9 程军圣;杨怡;杨宇;;局部特征尺度分解方法及其在齿轮故障诊断中的应用[J];机械工程学报;2012年09期

10 朱春梅;徐小力;张建民;;基于混沌分形的旋转机械故障诊断方法研究[J];煤矿机械;2006年06期

中国博士学位论文全文数据库 前1条

1 任达千;基于局域均值分解的旋转机械故障特征提取方法及系统研究[D];浙江大学;2008年

，

本文编号：1019559