滚动轴承复合故障的智能诊断系统研究

发布时间：2017-10-15 22:00

  本文关键词：滚动轴承复合故障的智能诊断系统研究

  更多相关文章： 滚动轴承 复合故障 多特征提取 支持向量机 多分类器组 信息融合 人工蜂群算法

【摘要】：滚动轴承是机械设备中应用最广泛且极易损坏的部件之一，其运行状态将直接影响系统的整体性能，导致设备损毁甚至造成灾难性事故。因此，开展对滚动轴承振动信号的监测和故障诊断具有重大现实意义。本文以基于支持向量机的滚动轴承故障诊断模型为研究对象，所做的主要工作如下： 首先，详细分析了滚动轴承的机械结构、故障发生机理和故障表现形式，利用振动信号分析方法，具体分析了几种典型的轴承振动信号的时、频域特征；同时针对工程实际中故障数据样本不足的缺陷，提出采用基于支持向量机的分类器，用于滚动轴承的故障诊断。 其次，针对单一的特征分析方法无法有效提取完备的特征信息，进而造成分类障碍的缺陷，本文提出一种基于多特征提取的多分类器组诊断模型。该模型结合小波包变换、总体平均经验模式分解、时频信息熵三种特征分析方法，从不同角度获取完备特征信息，并将之输入由三个支持向量机组成的多分类器组，再利用基于自整定权值决策模板的信息融合方法做出最终诊断，并通过仿真验证了该诊断模型能够适用于复合故障诊断。 最后，为了分析优化分类器参数对分类效果的影响，并进一步简化多分类器组的结构，利用时、频域分析相结合的多特征方法提取滚动轴承的故障信息，，并同样采用基于支持向量机的多分类器组用于最终的故障诊断分类。同时采用一种搜索能力更强的改进人工蜂群算法，搜寻支持向量机的最优分类参数，提高分类性能。通过对不同轴承信号的仿真分析，证明了所提诊断模型的优越性。
【关键词】：滚动轴承 复合故障 多特征提取 支持向量机 多分类器组 信息融合 人工蜂群算法
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TP277
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-19
• 1.1 滚动轴承故障诊断的意义10-11
• 1.2 滚动轴承故障诊断技术综述11-12
• 1.2.1 滚动轴承故障诊断系统11
• 1.2.2 滚动轴承故障诊断方法11-12
• 1.3 滚动轴承故障研究现状12-17
• 1.3.1 滚动轴承故障诊断发展历程12-13
• 1.3.2 滚动轴承故障特征提取技术13-14
• 1.3.3 滚动轴承复合故障诊断问题14-16
• 1.3.4 多分类器组融合技术的研究16-17
• 1.4 主要研究内容17-19
• 第2章 滚动轴承故障分析19-33
• 2.1 轴承故障机理分析19-22
• 2.1.1 滚动轴承机械结构19-20
• 2.1.2 滚动轴承失效形式20-21
• 2.1.3 滚动轴承振动分析21-22
• 2.2 实验平台介绍22-24
• 2.3 轴承故障时、频域特征24-29
• 2.3.1 时域特征分析24-27
• 2.3.2 频域特征分析27-29
• 2.4 信号特征提取方法29-32
• 2.4.1 小波包变换方法29-31
• 2.4.2 总体平均经验模式分解（EEMD）31
• 2.4.3 时频信息熵方法31-32
• 2.5 本章小结32-33
• 第3章 基于支持向量机的分类器模型33-41
• 3.1 支持向量机模型33-35
• 3.1.1 机器学习问题33-34
• 3.1.2 统计学习理论34-35
• 3.1.3 SVM 分类原理35
• 3.2 LSSVM 分类器35-37
• 3.2.1 分类原理36-37
• 3.2.2 核函数分析37
• 3.3 分类器性能分析37-40
• 3.3.1 数据训练问题37-38
• 3.3.2 故障模式识别38-40
• 3.4 本章小结40-41
• 第4章 基于多特征提取的多分类器组诊断模型41-51
• 4.1 多分类器组诊断模型41-44
• 4.1.1 多特征提取42
• 4.1.2 SWDT 融合决策42-44
• 4.2 仿真实验44-48
• 4.2.1 多特征提取44-46
• 4.2.2 分类器组融合决策46-48
• 4.3 实测数据分析48-50
• 4.4 本章小结50-51
• 第5章 改进 ABC 算法优化 LSSVM 分类器组诊断模型51-63
• 5.1 改进 ABC 算法（IABC）51-55
• 5.1.1 蜂群采蜜模型51-53
• 5.1.2 基本人工蜂群（ABC）算法53-54
• 5.1.3 改进人工蜂群算法（IABC）54-55
• 5.2 IABC 优化 LSSVM 分类参数55-57
• 5.3 基于时频特征分析的 IABC-LSSVM 诊断模型57-58
• 5.4 仿真实验58-61
• 5.5 实测数据分析61-62
• 5.6 本章小结62-63
• 结论63-64
• 参考文献64-69
• 攻读硕士学位期间承担的科研任务与主要成果69-70
• 致谢70-71
• 作者简介71

【参考文献】

中国期刊全文数据库 前10条

1 米爱中;郝红卫;郑雪峰;涂序彦;;一种自整定权值的多分类器融合方法[J];电子学报;2009年11期

2 雷亚国;何正嘉;訾艳阳;;基于混合智能新模型的故障诊断[J];机械工程学报;2008年07期

3 雷亚国;;基于改进Hilbert-Huang变换的机械故障诊断[J];机械工程学报;2011年05期

4 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

5 贾继德;陈安宇;朱忠奎;;基于信息熵的时频参数优化及内燃机轴承磨损监测[J];农业工程学报;2010年04期

6 高红斌;;滚动轴承故障包络信号分析及物理模拟[J];机械工程与自动化;2008年02期

7 王冬梅;王黎;张涛;;铁路机车故障诊断专家系统的设计[J];微计算机信息;2006年28期

8 唐耀华;高静怀;包乾宗;;一种新的选择性支持向量机集成学习算法[J];西安交通大学学报;2008年10期

9 谢平,林洪彬,王霄,刘彬;一种用于故障诊断的多信息熵监测方法研究[J];仪器仪表学报;2004年S2期

10 白长青;许庆余;张小龙;;考虑径向内间隙的滚动轴承平衡转子系统的非线性动力稳定性[J];应用数学和力学;2006年02期

中国博士学位论文全文数据库 前1条

1 郭新辰;最小二乘支持向量机算法及应用研究[D];吉林大学;2008年

中国硕士学位论文全文数据库 前1条

1 杨国宾;基于遗传算法的神经网络用于确定船舶碰撞危险度的研究[D];河北工业大学;2006年

本文编号：1038913