经验模态分解结合神经元网络在轴承故障诊断中的研究与应用

发布时间：2023-04-06 18:14

　　滚动轴承是工业生产领域中使用最普遍、最为关键，同时也是最容易损坏的机械零部件之一。许多旋转机械的故障都与滚动轴承的状态有关，轴承的好坏对机器工作状况的影响极大，所以对轴承进行状态检测与故障诊断是十分有必要的。 本文通过大量的文献资料阅读，在对轴承振动检测以及故障诊断技术的发展、现状和趋势有一个比较全面了解的基础上，详细分析了共振解调法的原理，并提出了利用谱线增强器消除信号噪音，提高故障谱线清晰度的技术手段。针对轴承信号是非平稳信号的特点，本文引入了一种分析非线性、非平稳信号的有力工具——经验模态分解(EMD)，相比较传统的共振解调法，该方法可以更准确地获取故障信息。接下来使用EMD获取的故障信息，结合神经元网络的强大的模式分类能力，通过大量的实验，获得了采样点数与检测精度之间的关系。最后结合多种特征值，有效地提高了神经网络对各类故障的辨别能力。

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
第一章 绪论
    1.1 引言
        1.1.1 故障诊断技术的目的和任务
        1.1.2 故障诊断技术概述
    1.2 轴承故障诊断技术的发展现状
        1.2.1 轴承故障监测的方法
        1.2.2 轴承故障诊断的发展过程
        1.2.3 信号处理技术在轴承检测中的应用
    1.3 本文的主要研究内容
第二章 滚动轴承的故障特征及振动分析方法
    2.1 滚动轴承的结构和振动类型
        2.1.1 滚动轴承的旋转机构
        2.1.2 滚动轴承的振动
        2.1.3 滚动轴承故障的常用时域参数
        2.1.4 滚动轴承的固有振动频率
        2.1.5 滚动轴承的故障特征频率
    2.2 共振解调技术
        2.2.1 共振现象与共振解调原理
        2.2.2 共振解调法的数学模型
        2.2.3 包络检波与 Hilbert变换
        2.2.4 实例分析
    2.3 谱线增强器(ALE)
        2.3.1 基于线性组合器的自适应谱线增强器
        2.3.2 基于高阶统计量的 ALE算法
        2.3.3 仿真实验
        2.3.4 实例分析
    2.4 本章小结
第三章 经验模态分解
    3.1 非平稳信号及解析信号
        3.1.1 非平稳信号的概念
        3.1.2 解析信号及其瞬时频率
    3.2 EMD分解方法
        3.2.1 本征模函数(IMF)
        3.2.2 EMD分解步骤
        3.2.3 仿真实验分析
    3.3 EMD在轴承检测中的应用
    3.4 EMD方法的实质及存在的问题
        3.4.1 EMD分解方法的实质
        3.4.2 EMD分解存在的问题及解决方法
    3.5 本章小结
第四章 EMD结合神经网络的联合故障诊断
    4.1 神经元网络概述
        4.1.1 神经网络技术的现状
        4.1.2 神经元的数学模型
        4.1.3 神经网络的学习算法
        4.1.4 神经网络的分类
    4.2 BP神经网络模型
        4.2.1 BP神经网络的模型结构
        4.2.2 BP算法的数学表述
        4.2.3 BP网络的设计
    4.3 EMD与神经网络相结合的故障诊断
        4.3.1 神经网络的输入特征量提取
        4.3.2 BP神经网络的训练与测试
        4.3.3 故障状态的进一步识别
    4.4 本章小结
第五章 结论与展望
    5.1 全文总结
    5.2 今后技术展望
参考文献
作者在攻读硕士学位期间发表及录用论文
致谢



本文编号：3784165