隐半马尔科夫模型在滚动轴承故障诊断中的研究和应用

发布时间：2017-06-21 10:15

  本文关键词：隐半马尔科夫模型在滚动轴承故障诊断中的研究和应用，，由笔耕文化传播整理发布。

【摘要】：滚动轴承是各种大型旋转机械中应用最为广泛的一种通用机械零部件，同时也是最易损坏的元件之一，它们在旋转机械中起着至关重要的作用。据不完全统计，旋转机械的故障大约有30%是由滚动轴承故障引起的，可以说滚动轴承的好坏直接影响到整个旋转设备系统的性能。因此在故障早期能够及时、有效地识别滚动轴承所处的故障状态，对预防轴承进一步退化和减少或杜绝重大事故的发生具有重要意义。 本文针对滚动轴承的故障状态识别问题，在对其故障机理和演化规律分析的基础上，开展了基于本征模态能量矩和隐半马尔科夫模型（HSMM）的滚动轴承故障诊断的研究，主要研究内容如下： （1）基于本征模态能量矩的滚动轴承振动信号特征提取方法 把具有自适应性的经验模态分解方法应用在轴承的故障特征提取中，运用更能凸显出非平稳振动信号差异的本征模态能量矩作为故障信号的特征向量，并考虑到工程实际中背景噪声的影响，提前对振动信号进行了小波阈值去噪预处理，最大限度地降低了噪声对滚动轴承特征提取结果的影响。 （2）基于隐半马尔科夫模型的滚动轴承故障状态识别方法 通常情况下隐半马尔科夫模型参数的初始化是由K均值（K-means）聚类方法完成的。由于传统K-means聚类方法初始聚类中心是随机选取的，选取不同的初始中心就会得到不同的初始均值和方差。为了解决HSMM算法存在的初始化参数设置问题，将语音识别中的初始化方法运用到故障诊断中，提出了基于改进K-means算法模型初始化方法。在此基础上，提出了基于本征模态能量矩和改进隐半马尔科夫模型的滚动轴承故障状态识别方法。 （3）实验方案和实验验证 以机械故障模拟机为研究对象，设计了滚动轴承故障状态识别的实验方案，通过实验验证了本文提出的基于本征模态能量矩和改进隐半马尔科夫模型的滚动轴承故障诊断方法；通过与传统的隐半马尔科夫模型识别结果相比较，证明了运用改进初始化方法的隐半马尔科夫模型能够在滚动轴承的故障诊断中显著地提高了故障状态识别的速度和准确性。 文章最后对工作进行了总结，并对相关的研究技术进行了展望。
【关键词】：滚动轴承 本征模态能量矩 隐半马尔科夫模型 故障诊断 小波阈值去噪
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH133.33;TH165.3
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-12
• 图清单12-15
• 表清单15-16
• 变量注释表16-18
• 1 绪论18-27
• 1.1 课题来源18
• 1.2 选题背景及意义18-19
• 1.3 滚动轴承故障诊断过程19-20
• 1.4 故障状态识别技术的研究现状20-24
• 1.5 论文研究内容及组成24-27
• 2 滚动轴承振动机理分析27-35
• 2.1 滚动轴承基本结构27-28
• 2.2 滚动轴承常见故障形式28-29
• 2.3 滚动轴承振动频率分析29-32
• 2.4 滚动轴承故障时的振动信号分析32-34
• 2.5 本章小结34-35
• 3 滚动轴承振动信号特征的提取35-54
• 3.1 经验模态分解方法的基本原理35-41
• 3.2 基于小波变换的去噪原理41-46
• 3.3 基于本征模态能量矩的特征向量的提取研究46-53
• 3.4 本章小结53-54
• 4 基于 HSMM 的滚动轴承故障状态识别54-72
• 4.1 HMM 的基本理论54-56
• 4.2 隐半马尔科夫模型基本理论56-65
• 4.3 HSMM 模型初始化方法研究65-70
• 4.4 基于 HSMM 的故障状态识别方法70-71
• 4.5 本章小结71-72
• 5 基于 HSMM 的滚动轴承故障状态识别方法验证72-82
• 5.1 实验对象及实验设备72-73
• 5.2 滚动轴承故障状态识别实验验证73-81
• 5.3 本章小结81-82
• 6 总结与展望82-84
• 6.1 全文总结82
• 6.2 研究展望82-84
• 参考文献84-90
• 作者简历90-94
• 学位论文数据集94

【参考文献】

中国期刊全文数据库 前10条

1 彭文季;罗兴

本文编号：468348