基于层次非线性分析的滚动轴承故障诊断

发布时间：2017-07-19 18:21

  本文关键词：基于层次非线性分析的滚动轴承故障诊断

  更多相关文章： 滚动轴承故障诊断 层次分解 递归量化分析 排列熵 层次非线性分析 支持向量机

【摘要】：滚动轴承是众多机械设备的核心零部件之一,通过设备的振动信号监测滚动轴承运行状态并识别其潜在故障对确保设备的安全、高效运行具有重要意义,如何从振动信号中提取相关故障特征是该领域的热点研究课题。本文通过一种新发展出的层次分解方法将信号分解到多个层次,再计算各层所有分解信号的非线性特征量以提取滚动轴承振动信号的层次非线性特征,并将其作为支持向量机的输入以构建滚动轴承故障诊断系统。其主要内容如下： 首先,说明了层次非线性分析在滚动轴承故障特征提取方面的优势,即层次分解后的信号会表现一些区别于原始信号的性质,相对于单一非线性特征量而言,层次非线性特征量能提取信号中更为丰富的非线性动力学特征。因此,本文的基本研究思路是利用层次分解进行振动信号的多尺度分解,再结合非线性时间序列分析方法实现滚动轴承的故障特征提取。 其次,将递归量化分析与层次分解相结合得到了信号的层次递归量化分析,并应用其分析滚动轴承在典型状态下的振动信号。分析结果表明,层次分解后的某些节点信号其递归图出现了区别于原始信号递归图的新特征；原始振动信号的递归特征量不能区分的某些故障类型却能利用其分解后某些节点信号的递归特征量很好地区分,这表明层次分解确实能展现振动信号中更丰富的故障特征。将层次递归特征量作为故障特征输入支持向量机以训练故障分类器,并与传统的递归特征量作为故障特征时的故障识别结果进行对比,结果显示前者的平均识别率明显高于后者。 最后,结合层次分解与排列熵算法进行振动信号的层次排列熵分析以提取滚动轴承故障特征。将层次排列熵、传统的多尺度排列熵和单一尺度排列熵分别作为故障特征输入支持向量机以构建故障识别系统。测试结果显示,层次排列熵作为故障特征时的识别率最高,均达到100%；相对而言,多尺度排列熵作为故障特征时的识别率有所降低；而排列熵作为故障特征时的识别效果最差。这再次说明了层次非线性分析在滚动轴承故障特征提取方面的优越性。
【关键词】：滚动轴承故障诊断 层次分解 递归量化分析 排列熵 层次非线性分析 支持向量机
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-17
• 1.1 选题背景及意义9-10
• 1.2 滚动轴承故障诊断发展概况10-14
• 1.2.1 故障诊断系统的组成10-11
• 1.2.2 滚动轴承故障特征提取研究进展11-13
• 1.2.3 滚动轴承故障诊断中的模式识别方法13-14
• 1.3 多尺度非线性分析方法的应用14
• 1.4 论文的研究思路及章节安排14-17
• 2 非线性时间序列的递归量化分析和排列熵算法17-37
• 2.1 引言17
• 2.2 相空间重构理论与方法17-26
• 2.2.1 相空间轨迹与重构17-18
• 2.2.2 互信息法计算延迟时间18-19
• 2.2.3 Cao方法计算嵌入维数19-21
• 2.2.4 实例验证21-26
• 2.3 递归图及其量化分析26-34
• 2.3.1 递归图的定义26-27
• 2.3.2 一些典型信号的递归图27-30
• 2.3.3 递归图中的基本模式30-31
• 2.3.4 递归量化分析31-34
• 2.4 排列熵算法34-36
• 2.4.1 排列熵的计算流程34-35
• 2.4.2 计算排列熵的一个简单例子35-36
• 2.5 本章小结36-37
• 3 基于层次递归量化分析的滚动轴承故障分类37-59
• 3.1 引言37
• 3.2 滚动轴承故障实验数据介绍37-38
• 3.3 滚动轴承振动信号的层次递归分析与特征提取38-51
• 3.3.1 层次分解与层次递归分析38-40
• 3.3.2 滚动轴承振动信号的层次递归图分析40-48
• 3.3.3 基于层次递归量化分析的故障特征提取48-51
• 3.4 基于层次递归特征量和优化SVM的故障分类51-58
• 3.4.1 支持向量机基本原理介绍51-53
• 3.4.2 基于粒子群优化算法的参数寻优53-55
• 3.4.3 故障诊断流程及分类结果55-58
• 3.5 本章小结58-59
• 4 基于层次排列熵算法的滚动轴承故障诊断59-68
• 4.1 引言59
• 4.2 Logistic混沌映射的排列熵分析59-61
• 4.3 故障数据集划分61-62
• 4.4 基于层次排列熵和优化SVM的滚动轴承故障诊断62-66
• 4.4.1 故障诊断流程62-63
• 4.4.2 故障识别结果分析63-66
• 4.5 本章小结66-68
• 结论68-70
• 参考文献70-75
• 攻读硕士学位期间发表学术论文情况75-76
• 致谢76-77

【参考文献】

中国期刊全文数据库 前10条

1 杨志安，，王光瑞，陈式刚;用等间距分格子法计算互信息函数确定延迟时间[J];计算物理;1995年04期

2 钟群鹏;张峥;有移亮;;我国安全生产(含安全制造)的科学发展若干问题[J];机械工程学报;2007年01期

3 陈予恕;;机械故障诊断的非线性动力学原理[J];机械工程学报;2007年01期

4 邵信光;杨慧中;陈刚;;基于粒子群优化算法的支持向量机参数选择及其应用[J];控制理论与应用;2006年05期

5 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

6 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

7 何正嘉;曹宏瑞;訾艳阳;李兵;;机械设备运行可靠性评估的发展与思考[J];机械工程学报;2014年02期

8 肖楠;金宁德;;基于混沌吸引子形态特性的两相流流型分类方法研究[J];物理学报;2007年09期

9 石林锁;沈金伟;张亚洲;牛武泽;;基于AR模型和谱峭度法的滚动轴承故障诊断[J];振动与冲击;2011年12期

10 彭畅;柏林;谢小亮;;基于EEMD、度量因子和快速峭度图的滚动轴承故障诊断方法[J];振动与冲击;2012年20期

中国博士学位论文全文数据库 前2条

1 刘永斌;基于非线性信号分析的滚动轴承状态监测诊断研究[D];中国科学技术大学;2011年

2 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

本文编号：564211