基于小波理论的滚动轴承故障诊断方法研究

发布时间：2017-04-25 19:13

  本文关键词：基于小波理论的滚动轴承故障诊断方法研究，由笔耕文化传播整理发布。

【摘要】：机械故障诊断一直以来都是研究的热点，至今也取得了一些成果，然而仍然存在很多问题。滚动轴承作为最常用的部件之一，对其进行故障诊断意义十分重大。 论文基于滚动轴承振动信号进行故障诊断，滚动轴承振动信号能够包含故障特性并且适合各种轴承，基于振动信号的故障诊断能有效诊断前期微小故障，诊断结果准确可靠。 论文在研究小波理论的基础上，采用小波包分析结合对数能量熵提取信号的故障特征。故障特征提取在滚动轴承故障诊断中尤其重要，它是轴承状态识别的基础，直接关系到诊断结果的准确性。论文利用小波包对滚动轴承信号进行分解，对分解得到的各个信号计算归一化能量熵，以提取信号的故障特征。 论文采用最小二乘支持向量机对轴承状态进行识别，取得了比较理想的效果。最小二乘支持向量机(LSSVM)不同于传统支持向量机，它采用最小二乘线性系统作为损失函数，简化了计算的复杂性，，提高了运算速度。论文研究了最小二次支持向量机算法，并利用该算法对轴承工况进行识别。 本文搭建了旋转机械故障诊断实验平台，模拟了多种滚动轴承故障，检验了本文提出的小波包能量熵和LSSVM结合进行滚动轴承故障诊断的方法，证明了该方法的有效性。本文还利用小波分析算法对滚动轴承振动信号进行处理，初步判断故障类型。
【关键词】：滚动轴承 故障诊断 小波包分析 能量熵 LSSVM
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 本课题研究的意义10-11
• 1.2 滚动轴承故障诊断技术的研究现状11-12
• 1.3 滚动轴承故障诊断的主要内容12-13
• 1.4 滚动轴承故障诊断技术13-15
• 1.4.1 滚动轴承故障特征提取方法13-14
• 1.4.2 滚动轴承状态识别方法14-15
• 1.5 本论文的主要内容15-16
• 1.6 本章小结16-17
• 第二章 基于小波理论的滚动轴承故障诊断方案设计17-26
• 2.1 实验平台介绍17-20
• 2.2 滚动轴承故障试验方案设计20-22
• 2.2.1 轴承故障设置20-21
• 2.2.2 轴承故障特征频率21-22
• 2.3 滚动轴承故障诊断方案设计22-24
• 2.3.1 故障特征参数的选取22-23
• 2.3.2 滚动轴承状态识别方法的选择23
• 2.3.3 滚动轴承故障诊断流程23-24
• 2.4 小波基函数的选择24-25
• 2.5 本章小结25-26
• 第三章 基于小波理论的滚动轴承故障特征提取26-40
• 3.1 小波变换基础理论26-30
• 3.1.1 小波变换的定义26-28
• 3.1.2 连续小波变换极其离散化28-30
• 3.2 多分辨分析30-33
• 3.2.1 多分辨分析思想31
• 3.2.2 MALLAT 算法31-33
• 3.3 小波包分析33-38
• 3.3.1 小波包的定义34-35
• 3.3.2 小波包算法35-36
• 3.3.3 小波包分解后的频带排序36-38
• 3.4 滚动轴承信号的故障特征提取38-39
• 3.4.1 提取滚动轴承信号的故障特征38-39
• 3.4.2 小波包对数能量熵的应用39
• 3.5 本章小结39-40
• 第四章 滚动轴承故障分类方法分析及仿真验证40-56
• 4.1 统计学基本理论40-43
• 4.1.1 VC 维理论40-41
• 4.1.2 推广性的界41-42
• 4.1.3 结构风险最小化42-43
• 4.2 支持向量分类机43-49
• 4.2.1 线性支持向量分类机44-46
• 4.2.2 非线性支持向量分类机46-49
• 4.3 最小二乘支持向量机(LSSVM)分类49-52
• 4.3.1 LSSVM 分类算法49-50
• 4.3.2 常用 LSSVM 参数选择方法50-52
• 4.4 LSSVM 多分类算法的确定52-53
• 4.5 实验仿真53-55
• 4.6 本章小结55-56
• 第五章 基于小波理论的滚动轴承故障诊断方法实现56-74
• 5.1 滚动轴承故障初步诊断56-63
• 5.1.1 时域信号分析56-59
• 5.1.2 基于小波分解的频域信号分析59-63
• 5.2 基于小波包能量熵和 LSSVM 的滚动轴承故障诊断63-71
• 5.2.1 基于小波包和能量熵的特征向量提取64-67
• 5.2.2 基于 LSSVM 的滚动轴承状态识别67-71
• 5.3 多路数据并列分析优化诊断结果71-73
• 5.4 本章小结73-74
• 第六章 总结与展望74-76
• 6.1 总结74
• 6.2 展望74-76
• 致谢76-77
• 参考文献77-80
• 附录80-86

【参考文献】

中国期刊全文数据库 前10条

1 肖述兵;;滚动轴承振动故障诊断实践[J];轴承;2006年03期

2 陈新国,程耕国;实用数字音频功放的设计[J];电声技术;2003年11期

3 熊联欢,胡汉平,李德华,皮明红;香农正交小波变换的FFT实现[J];华中理工大学学报;1998年08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 邓蕊;马永军;刘尧猛;;基于改进交叉验证算法的支持向量机多类识别[J];天津科技大学学报;2007年02期

6 何正嘉,李富才,杜远,陈鹏;小波技术在机械监测诊断领域的应用现状与进展[J];西安交通大学学报;2001年05期

7 王明祥;宁宇蓉;王晋国;;基于Mallat算法的一维离散小波变换的实现[J];西北大学学报(自然科学版);2006年03期

8 郭辉;刘贺平;王玲;;最小二乘支持向量机参数选择方法及其应用研究[J];系统仿真学报;2006年07期

9 程耕国,周凤星;一种高速轧机故障检测系统[J];武汉科技大学学报(自然科学版);2002年01期

10 周剑,赵明涛,杨玉孝,谭玉山;基于二进小波多分辨率逼近的层析三维数字化图像边缘检测研究[J];中国机械工程;1999年11期

  本文关键词：基于小波理论的滚动轴承故障诊断方法研究，由笔耕文化传播整理发布。

本文编号：326921