基于EMD和SVM的滚动轴承故障诊断研究

发布时间：2017-05-20 19:12

  本文关键词：基于EMD和SVM的滚动轴承故障诊断研究，由笔耕文化传播整理发布。

【摘要】：摘要：滚动轴承是机械设备中应用最为广泛的一种关键部件,也是最易损坏的部件,因此对轴承工作状态的检测与诊断具有重要的理论研究价值和实际应用意义。 首先介绍了滚动轴承的研究现状和研究方法,分析了滚动轴承的振动机理,通过分析滚动轴承的频率特性,获得了滚动轴承内圈、外圈和滚动体的故障频率。针对采集的振动信号特点,提出了采用小波包降噪的技术来去除信号中的噪声。 其次,针对各种时频分析的方法,选取HHT变换,并引入CEEMD方法进行滚动轴承故障的特征提取。采用一种极值域分解算法对端点进行镜像延拓,从而改进了EMD分解中的端点效应和模态混叠现象。通过对比小波分析,验证了此方法分解信号的的准确性。根据轴承信号的振动特性,将分解的IMF进行降维,获取信号的奇异值和能量值,并将该奇异值和能量值组成滚动轴承诊断的特征向量集。 最后,根据SVM分类的原理,采用参数优化方法对特征向量进行训练,并实现对未知状态信号的分类识别,具有较高的分类准确率。
【关键词】：滚动轴承 希尔伯特黄变换 经验模态分解 故障诊断 支持向量机
【学位授予单位】：中南大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要4-5
• Abstract5-6
• 目录6-8
• 1 绪论8-16
• 1.1 课题研究的背景和意义8-9
• 1.1.1 机械故障诊断概述8
• 1.1.2 滚动轴承故障诊断意义8-9
• 1.2 滚动轴承故障诊断研究现状及发展趋势9-10
• 1.2.1 国外研究现状9-10
• 1.2.2 国内研究现状10
• 1.2.3 滚动轴承故障诊断的发展趋势10
• 1.3 振动信号处理方法研究现状10-12
• 1.3.1 时域分析方法10-11
• 1.3.2 频域分析方法11
• 1.3.3 时频分析方法11-12
• 1.4 SVM研究现状12
• 1.5 论文的主要研究内容和结构12-16
• 2 滚动轴承振动机理及故障分析方法16-30
• 2.1 滚动轴承的结构16-17
• 2.2 滚动轴承振动信号的特征17-18
• 2.3 滚动轴承的主要失效形式18
• 2.4 滚动轴承的故障诊断理论18-20
• 2.4.1 滚动轴承的固有振动频率18-19
• 2.4.2 滚动轴承的故障频率计算公式19-20
• 2.5 滚动轴承振动参数及分析方法20-23
• 2.5.1 滚动轴承振动参数20-21
• 2.5.2 滚动轴承振动信号分析方法21-23
• 2.6 滚动轴承故障诊断实验系统及信号预处理23-29
• 2.6.1 滚动轴承实验平台23-25
• 2.6.2 滚动轴承信号预处理及时域、频域分析25-29
• 2.7 本章小结29-30
• 3 滚动轴承特征提取HHT分析方法研究30-54
• 3.1 时频分析概述30-32
• 3.1.1 短时傅里叶变换30-31
• 3.1.2 Wigner—Ville分布31
• 3.1.3 小波变换31-32
• 3.2 Hilbert-Huang变换32-41
• 3.2.1 瞬时频率和固有模态函数33-34
• 3.2.2 EMD方法34-37
• 3.2.3 HSA分析37-39
• 3.2.4 基于EMD的滚动轴承信号分析39-41
• 3.3 改进的EMD41-49
• 3.3.1 针对局部均值的端点效应的处理方法42-44
• 3.3.2 集合经验模态分解(EEMD)44-47
• 3.3.3 互补集合经验模态分解(CEEMD)47-49
• 3.4 基于CEEMD的滚动轴承特征提取49-53
• 3.5 本章小结53-54
• 4 基于SVM的滚动轴承故障识别方法54-70
• 4.1 支持向量机的统计理论基础54-55
• 4.2 支持向量机的分类原理55-58
• 4.2.1 二类可分线性支持向量机55-57
• 4.2.2 二类不可分线性支持向量机57
• 4.2.3 核函数57-58
• 4.3 基于SVM的滚动轴承故障分类识别58-69
• 4.3.1 SVM工具箱简介61-62
• 4.3.2 使用不同核函数时的分类效果62-63
• 4.3.3 c和g参数优化方法63-68
• 4.3.4 实验结果68-69
• 4.4 本章小结69-70
• 5 总结与展望70-72
• 5.1 总结70-71
• 5.2 展望71-72
• 参考文献72-76
• 攻读学位期间主要的研究成果目录76-78
• 致谢78

【参考文献】

中国期刊全文数据库 前10条

1 胡维平;莫家玲;龚英姬;赵方伟;杜明辉;;经验模态分解中多种边界处理方法的比较研究[J];电子与信息学报;2007年06期

2 林丽;周霆;余轮;;EMD算法中边界效应处理技术[J];计算机工程;2009年23期

3 程军圣,于德介,杨宇;基于EMD的能量算子解调方法及其在机械故障诊断中的应用[J];机械工程学报;2004年08期

4 袁小芳;王耀南;;基于混沌优化算法的支持向量机参数选取方法[J];控制与决策;2006年01期

5 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

6 周晓凯，，严普强;用小波分析铁路车辆滚动轴承诊断方法[J];清华大学学报(自然科学版);1996年08期

7 荣海娜;张葛祥;金炜东;;系统辨识中支持向量机核函数及其参数的研究[J];系统仿真学报;2006年11期

8 王肇琪,付勤毅;滚动轴承故障的振动检测方法[J];有色矿山;1999年01期

9 刘明贵;岳向红;杨永波;李祺;;基于Sym小波和BP神经网络的基桩缺陷智能化识别[J];岩石力学与工程学报;2007年S1期

10 赵荣珍;李超;张优云;;机械故障智能诊断的诊断知识获取新发展问题[J];振动与冲击;2007年09期

  本文关键词：基于EMD和SVM的滚动轴承故障诊断研究，由笔耕文化传播整理发布。

本文编号：382559