基于最大期望和势能函数的滚动轴承故障识别算法研究

发布时间：2017-08-11 18:02

  本文关键词：基于最大期望和势能函数的滚动轴承故障识别算法研究

  更多相关文章： 故障识别 距离评估因子 EM算法 二叉树 势能函数

【摘要】：轴承故障识别已经引起人们相当大的关注。据统计，70%以上的故障都是以振动形式表现出来。因此，本文选择振动信号进行故障特征提取。因其诊断模式与特征向量之间是非常复杂的非线性关系，因此选用振动信号的时域、频域统计特征特征参数集体反应故障特征，并选择有效的非线性分类算法进行了故障识别。 在故障诊断中重要的两个环节是故障特征选择和分类器的选择。本文对故障信号进行小波分析，计算降噪后信号的时域和频域统计特征，得到了故障原始特征向量。然而，在进行故障识别时，尽管不同特征能够从不同方面来识别故障，但是他们对识别故障有不同的灵敏度。一些特征对于故障是灵敏并且关联密切的，而其他特征则不然。因此在特征集输入分类器之前，特征选择是极其重要的问题。因此本文基于距离比思想，提出了距离评估因子用于对故障数据进行降维处理。距离评估因子评估准则的基本思想是：分别计算某个特征参数的类间距离和类内距离，并把两者的距离比作为距离评估因子而将所有特征参数按照比值进行排序，，并将部分参数进行融合作为特征向量，实现故障特征参数的客观选择。 通过参考大量文献发现，由于高斯混合模型能够平滑地近似任意形状的密度分布，因此近年来常被用在模式识别中，得到不错的效果。因此基于以上思想，本文选用高斯混合模型作为故障识别建模，并将其与最大期望算法进行结合，提出了基于有限高斯混合模型的EM算法。 在掌握势能函数分类算法的意义和存在多分类问题的局限性后，本文引入二叉树原理并将其与势能函数分类算法结合，提出了改进势能函数分类算法。算法基本思想是：把诊断类型分为故障和非故障，对于故障再进行具体划分。此外，可以根据故障诊断的对象不同对故障类型识别的先后进行调整，根据诊断对象不同或根据已有数据计算各自故障类型发生的概率，并从大到小进行排序，概率大的故障类别可以先被诊断出来，这样就可以有效地提高故障诊断的效率。 本文在MATLAB平台下进行了算法仿真实验和对比实验，实验结果表明，提出的距离评估因子降维处理方法是有效可行的；提出的基于高斯混合模型EM算法提高了数据分类能力；选择势能函数分类法进行故障诊断为滚动轴承故障诊断提供的新思想；将二叉树理论引入势能函数分类算法，解决了多分类问题。
【关键词】：故障识别 距离评估因子 EM算法 二叉树 势能函数
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH165.3;TH133.33
【目录】：

• 摘要4-6
• Abstract6-13
• 第1章 绪论13-26
• 1.1 论文研究背景和意义13-14
• 1.2 滚动轴承故障识别的国内外研究现状14-23
• 1.2.1 滚动轴承故障识别中的特征提取14-21
• 1.2.2 常用的故障识别技术21-23
• 1.3 论文的主要研究内容和结构23-26
• 1.3.1 论文的主要研究工作23-24
• 1.3.2 论文的组织结构24-26
• 第2章 基于振动信号的滚动轴承故障识别理论26-37
• 2.1 滚动轴承故障信号的预处理26-30
• 2.1.1 常用的去噪方法26-28
• 2.1.2 阈值去噪原理28-29
• 2.1.3 小波降噪常用的阈值选择方法29-30
• 2.1.4 小波包降噪常用的阈值选择方法30
• 2.2 EM 算法30-33
• 2.2.1 EM 算法的基本理论30-32
• 2.2.2 EM 算法的实现步骤32-33
• 2.2.4 EM 算法的用途33
• 2.2.3 EM 算法的优缺点33
• 2.3 势能函数算法33-36
• 2.3.1 势能函数概述34-35
• 2.3.2 势能函数训练学习过程35-36
• 2.3.3 势能函数算法的优缺点36
• 2.4 本章小结36-37
• 第3章 基于距离评估因子的滚动轴承特征参数选择算法37-54
• 3.1 滚动轴承故障识别中的特征选择37-39
• 3.1.1 常用的特征选择方法37-38
• 3.1.2 距离评估因子评估准则38-39
• 3.2 滚动轴承故障识别中特征参数的选取39-42
• 3.2.1 故障特征参数选取的原则39-40
• 3.2.2 时域特征参数40-41
• 3.2.3 频域特征参数41-42
• 3.3 滚动轴承故障特征参数选择流程42-43
• 3.4 一种有效的特征向量——小波能量43-45
• 3.4.1 小波基的选取原则44
• 3.4.2 小波能量生成步骤44-45
• 3.5 滚动轴承故障特征选择仿真实验45-54
• 3.5.1 实验数据45-46
• 3.5.2 实验数据预处理46-48
• 3.5.3 计算时域频域特征参数48-51
• 3.5.4 对比实验51-53
• 3.5.5 实验分析53-54
• 第4章 基于有限高斯混合模型 EM 算法的故障识别54-62
• 4.1 有限高斯混合模型基本思想54-55
• 4.1.1 高斯混合模型54
• 4.1.2 GMM 的引入意义54-55
• 4.2 基于有限高斯混合模型 EM 算法的滚动轴承故障识别55-58
• 4.2.1 基于有限高斯混合模型 EM 算法55-56
• 4.2.2 基于有限高斯混合模型 EM 算法故障识别的基本流程56-57
• 4.2.3 滚动轴承故障识别的参数设置57-58
• 4.3 对比实验58-60
• 4.4 基于有限高斯混合模型 EM 算法的故障识别效果分析60-62
• 第5章 基于势能函数的滚动轴承故障识别算法62-70
• 5.1 势能函数的引入62
• 5.2 常用的解决多分类问题的方法62
• 5.3 训练开始62-65
• 5.3.1 第二模式样本参加训练63-64
• 5.3.2 任意点的确定64-65
• 5.3.3 判别函数65
• 5.4 势能函数实现故障多分类65-67
• 5.5 基于势能函数的滚动轴承故障识别67-69
• 5.6 势能函数滚动轴承故障识别效果分析69-70
• 第6章 总结和展望70-73
• 6.1 总结70-71
• 6.2 展望71-73
• 致谢73-75
• 参考文献75-79
• 攻读学位期间发表的学术论文及参加科研情况79-80

【相似文献】

中国期刊全文数据库 前10条

1 李卓彦;周强强;李志雄;;滚动轴承故障诊断技术的研究[J];科技信息;2008年36期

2 高斌;陈果;;一种滚动轴承故障特征的时频综合分析法[J];机械科学与技术;2009年04期

3 程军圣;张亢;杨宇;;局部均值分解方法及其在滚动轴承故障诊断中的应用[J];中国机械工程;2009年22期

4 韩业锋;仲涛;石磊;;基于包络谱分析的滚动轴承故障诊断分析[J];机械研究与应用;2010年04期

5 张弦;王宏力;;进化小波消噪方法及其在滚动轴承故障诊断中的应用[J];机械工程学报;2010年15期

6 毛亚红;刘金良;;振动分析技术在风机滚动轴承故障诊断中的应用[J];中国设备工程;2011年06期

7 张云鹏;盖强;;S变换在滚动轴承故障诊断上的应用[J];应用科技;2011年07期

8 吴建林,盛英梁;振动信号频谱分析法检测铁道车辆滚动轴承故障初探[J];铁道车辆;1993年05期

9 高兴;大型收尘风机滚动轴承故障诊断[J];风机技术;1994年01期

10 宋显辉;用电脑分析仪诊断水泵滚动轴承故障[J];冶金动力;1995年05期

中国重要会议论文全文数据库 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

2 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

3 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

4 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

5 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

6 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012年

7 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年

8 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013年

9 姜锐红;基于谱峭度及原子分解的滚动轴承故障诊断方法研究[D];上海大学;2014年

10 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年

中国硕士学位论文全文数据库 前10条

1 李秋瑞;基于近邻函数准则与支持向量机的滚动轴承故障诊断研究[D];电子科技大学;2010年

2 苏宪章;滚动轴承故障非接触多传感器声信号融合及诊断技术研究[D];东北石油大学;2012年

3 刘震坤;基于支持向量数据描述的滚动轴承故障诊断方法研究[D];湖南大学;2012年

4 孔亚林;基于振动信号的滚动轴承故障诊断方法研究[D];大连理工大学;2006年

5 白文广;基于虚拟仪器技术的滚动轴承故障检测系统的研究[D];华北电力大学（河北）;2008年

6 苏阳;数据驱动滚动轴承故障诊断研究[D];沈阳大学;2012年

7 吕志刚;基于形态小波和最小二乘支持向量机的滚动轴承故障诊断研究[D];电子科技大学;2012年

8 董群英;基于非平稳时序分析的滚动轴承故障特征提取方法研究[D];中南大学;2012年

9 魏巍;基于非平稳时序分析的滚动轴承故障诊断方法研究[D];湖南工业大学;2012年

10 付新欣;基于小波分析的滚动轴承故障诊断技术研究[D];沈阳航空航天大学;2013年

本文编号：657472