基于小波包和支持向量机的轴承故障诊断研究

发布时间：2017-08-16 21:30

  本文关键词：基于小波包和支持向量机的轴承故障诊断研究

  更多相关文章： 滚动轴承 故障诊断 特征提取 支持向量机 小波包变换

【摘要】：滚动轴承是最常用且关键的旋转机械设备,同时它的故障发生率很高,轴承工作状态的好坏直接影响着整台设备甚至整条生产线的运行情况。因此,对滚动轴承进行故障诊断研究,具有十分重要的实际意义和理论价值。针对滚动轴承故障诊断具有数据样本有限,采集的故障振动信号具有非平稳、强噪声背景等特点,本文提出采用小波包变换对故障振动信号进行去噪、重构以及特征提取,并结合支持向量机对故障类型进行识别的方法。为提高故障类型的识别正确率,首先,对基于小波包分析提取的故障特征向量作归一化处理；其次,利用在交叉验证(CV)意义下的遗传算法对支持向量机参数进行寻优；最后,用测试样本分别对未参数优化、参数寻优的支持向量机进行故障类型识别。在MATLAB的平台优势下,通过对比实验结果,表明本文提出的方法具有更高的分类识别率,并且在允许的误判范围内,能够满足工业现场的需要。
【关键词】：滚动轴承 故障诊断 特征提取 支持向量机 小波包变换
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH133.3;TP18
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1. 绪论10-15
• 1.1 课题研究的背景与意义10
• 1.2 国内外研究现状10-12
• 1.3 滚动轴承故障诊断的流程12
• 1.4 本文的研究内容及结构安排12-15
• 1.4.1 研究内容12-13
• 1.4.2 结构安排13-15
• 2. 滚动轴承故障机理及振动分析15-18
• 2.1 滚动轴承振动信号的特性分析15-17
• 2.1.1 滚动轴承的结构以及特征频率15-16
• 2.1.2 滚动轴承的固有振动频率16
• 2.1.3 滚动轴承故障振动模型16-17
• 2.2 小结17-18
• 3. 基于小波分析的特征提取18-29
• 3.1 小波分析18-20
• 3.1.1 连续小波变换(CWT)18-19
• 3.1.2 离散小波变换(DWT)19
• 3.1.3 多分辨率分析19-20
• 3.1.4 正交小波变换20
• 3.2 小波包分析20-23
• 3.2.1 小波包的定义20-21
• 3.2.2 小波包的子空间分解21-22
• 3.2.3 小波包重构22
• 3.2.4 母小波的选取22-23
• 3.2.5 小波的分解层数的选取23
• 3.3 小波降噪23-27
• 3.3.1 基本降噪模型23-24
• 3.3.2 常用的小波降噪方法24-25
• 3.3.3 软、硬阈值去噪的基本原理25-26
• 3.3.4 阈值的选取26-27
• 3.4 本章小结27-29
• 4. 支持向量机识别方法研究29-42
• 4.1 引言29
• 4.2 遗传算法及其原理29-32
• 4.2.1 遗传算法的基本原理及特点29-30
• 4.2.2 遗传算法的实现步骤30-32
• 4.3 支持向量机分类器32-37
• 4.3.1 支持向量机分类的基本原理32-36
• 4.3.2 支持向量机的核函数36
• 4.3.3 支持向量机分类器的类型36-37
• 4.4 SVM分类器与核函数的选择37-39
• 4.4.1 SVM分类器的选择37-38
• 4.4.2 核函数以及参数优化方案的选择38-39
• 4.5 基于CV的遗传优化SVM的算法实现39-41
• 4.5.1 交叉验证原理39-40
• 4.5.2 CV-GA算法实现40-41
• 4.6 本章小结41-42
• 5. 实验仿真42-55
• 5.1 故障诊断流程42-43
• 5.2 去噪以及特征提取43-48
• 5.2.1 小波包去噪实验43-45
• 5.2.2 小波包频带能量特征提取45-48
• 5.3 基于SVM的故障特征分类48-54
• 5.3.1 libsvm的介绍以及使用48-49
• 5.3.2 未经参数优化的SVM仿真分类实验49-51
• 5.3.3 基于GA-SVM的分类仿真实验51-54
• 5.4 本章小结54-55
• 6. 结论55-57
• 6.1 总结55
• 6.2 研究工作展望55-57
• 参考文献57-60
• 作者简历60-62
• 学位论文数据集62

【参考文献】

中国期刊全文数据库 前10条

1 耿纪洲;程广涛;王成恺;;基于小波分形技术提取发动机曲轴轴承故障特征[J];工业仪表与自动化装置;2013年04期

2 李江豹;贾振红;覃锡忠;盛磊;陈丽;;基于改进的小波变换和LS-SVM模型的忙时话务量预测算法[J];激光杂志;2013年04期

3 孙海亮;訾艳阳;袁静;何正嘉;李康;陈雪军;;非抽样多小波和Hilbert-Huang时频分析在行星减速器早期故障诊断中的应用[J];机械工程学报;2013年03期

4 蒋伟江;;基于小波包和SOM神经网络的车辆滚动轴承故障诊断[J];机械设计与研究;2012年06期

5 崔挺;孙元章;徐箭;黄磊;;基于改进小生境遗传算法的电力系统无功优化[J];中国电机工程学报;2011年19期

6 张华;陈小宏;杨海燕;;地震信号去噪的最优小波基选取方法[J];石油地球物理勘探;2011年01期

7 宋彦坡;彭小奇;胡志坤;;支持向量回归机元参数优化方法[J];系统工程与电子技术;2010年10期

8 徐玉茗;邓超;;基于支持向量机和Bayes方法的机械系统可靠性综合方法[J];机械设计与制造;2010年05期

9 刘宗政;陈恳;陈振华;陈雁;黄元林;;滚动轴承的振动特性分析及典型故障诊断[J];机械设计与制造;2009年03期

10 孙见青;汪荣贵;胡韦伟;李守毅;;一种新的基于NGA/PCA和SVM的特征提取方法[J];系统仿真学报;2007年20期

中国博士学位论文全文数据库 前2条

1 彭兵;基于改进支持向量机和特征信息融合的水电机组故障诊断[D];华中科技大学;2008年

2 朱启兵;基于小波理论的非平稳信号特征提取与智能诊断方法研究[D];东北大学;2006年

，

本文编号：685636