旋转机械轴承故障的特征提取与模式识别方法研究

发布时间：2020-07-28 22:59

【摘要】： 滚动轴承作为各类旋转机械中最常用的通用零部件之一,对其进行故障监测和诊断是国内外工程技术领域的研究热点。利用轴承及其组件的随机振动信号对其工作状态进行监测和诊断是目前旋转机械故障监测与诊断研究中最常用的方法。机械设备的诊断过程中,故障特征提取和模式识别是诊断的两个关键。本文针对滚动轴承故障振动信号的特征,采用基于多重分形理论的广义分形维数描述、基于时序分析的AR模型方法、基于时频分析的小波包降噪分解技术及主元分析方法实现了轴承故障特征信息的提取,取得了满意的效果。本文将AR模型和小波分析方法分别与RBF神经网络相结合组成了两个RBF神经网络故障诊断系统对轴承的故障模式进行了识别,取得了较好的效果。针对工程实际中难以获得大量典型故障样本的情况,将SVM方法引入轴承的智能故障诊断中,对SVM分类器的分类性能进行了较为深入的研究。将主元分析方法与SVM方法相结合组成故障诊断系统,完成了滚动轴承故障模式的识别。实验和分析结果表明,SVM分类器在小样本故障诊断中具有优良的分类性能,将主元分析和SVM方法相结合用于轴承的故障诊断取得了良好的效果,能有效地识别滚动轴承的工作状态和故障类型。
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2008
【分类号】：TH165.3
【图文】：

曲线,挪威,海岸线

图 2-2 挪威海岸线图 2-3 挪威海岸线测量结果事实上，式(2-2)表达的曲线在数学上确实具有分形的性质。一般地，对于分形曲线 D >1，则( ) = =∞→→DLL1000lim εlimεεε(2-3)表明曲线的长度随尺码趋于零而趋于∞。如ε 并不趋于零，则( ) ( )100= < DL εLDεε(2-4)这表明(ε )L 随码尺ε 的减小而增大。几何上，分维D刻画了曲线的“粗糙”程度，D越大，曲线越弯折，越不规则。D越小，曲线越光滑。也就是说分维 D能定量地表征曲线的不规则程度(如图 2-4 所示)。2.3.2 几种分形维数概述图形的维数和测度是其基本不变量。在传统的几何观念中，图形的维数总是自然数，而零测度点集是很稀疏的点集。然而，自 Cantor 起，数学家们就

曲线,海岸线测量,挪威

不规则程度,维数,容积,盒维数

图 2-4 D刻画了曲线的不规则程度( )2εεSN ≈ 即(ε ) ( ε)ln N = lnS+2ln1数( )( )==(Ω )→2dimln1lnlim0 εεεNnΩ R，如果它可由(ε )N 个边长为ε 的( )( )( ε)εεln1lndimlim0NdefB→Ω =容积维数或盒维数。的一个问题是，选择不同的覆盖是否会论的确如此。为避免歧义，一般取最小计分集1Ω ，在其构造过程中第n步，所有点此其容积维数为( )0.6309ln2ln2dimlimΩ==≈n

【引证文献】