基于蚁群算法与统计滤波的滚动轴承故障诊断方法研究

发布时间：2017-09-28 12:25

  本文关键词：基于蚁群算法与统计滤波的滚动轴承故障诊断方法研究

  更多相关文章： 滚动轴承 故障诊断 特征提取 模式识别 自适应滤波

【摘要】：论文针对滚动轴承典型故障,开展了基于统计检验理论的自适应滤波方法及基于随机共振等非线性分析法的特征提取方法研究,同时将多种信号特征提取方法与蚁群算法结合,进行了故障模式识别方法研究。以圆柱滚子轴承为对象,应用振动和声发射信号,对其单一及其复合故障信号进行了分析,验证了相关方法的有效性。具体内容如下： (1)应用识别因子,选择具有高敏感性的特征参数,构成输入向量,使用具有精英蚂蚁机制的蚁群聚类算法实现设备状态的有效识别。充分发挥不同方法之间的优势互补作用,分别采用小波包分解、经验模态分析法(EMD)、主成分分析(PCA)等方法提取信号特征,进行了提高蚁群算法聚类性能的研究。 (2)应用统计学假设检验原理,提出具有自适应性的统计滤波方法,用以提取信号特征。定义相似度因子并作为目标函数评价滤波性能,同时采用遗传算法,优化关键参数置信度因子自动完成最优滤波过程。引入频域信噪比系数评价滤波方法对噪声的抑制能力,结果表明统计滤波法与高通滤波方法相比,能有效提高信号的信噪比。 (3)将统计滤波与非线性信号分析方法中的随机共振、混沌振子相结合,开展微弱故障信号特征提取方法研究,使用统计滤波与随机共振提取信号特征,将随机共振输出包络谱中谱峰频率作为检测频率,使用混沌振子进行检测,结论表明非线性信号分析法在微弱信号特征提取方面具有优势。
【关键词】：滚动轴承 故障诊断 特征提取 模式识别 自适应滤波
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TH165.3
【目录】：

• 学位论文数据集3-4
• 摘要4-6
• ABSTRACT6-13
• 第一章 绪论13-19
• 1.1 机械故障诊断概述13-14
• 1.2 蚁群算法研究现状14-15
• 1.3 特征提取方法研究现状15
• 1.4 非线性信号分析法研究现状15-16
• 1.5 课题研究背景及意义16-17
• 1.6 课题来源及主要研究内容17-19
• 第二章 基于蚁群算法的滚动轴承故障诊断方法研究19-53
• 2.1 蚁群算法19-22
• 2.2 基于蚁群算法的滚动轴承故障诊断原理22-23
• 2.3 时频参数蚁群聚类算法应用于轴承诊断23-31
• 2.3.1 时频特征参数23-26
• 2.3.2 基于频域参数的蚁群算法滚动轴承故障诊断26-31
• 2.4 小波能量参数蚁群聚类算法31-37
• 2.4.1 小波分析31-33
• 2.4.2 基于小波能量参数的蚁群算法滚动轴承故障诊断33-37
• 2.5 EMD蚁群聚类算法37-43
• 2.5.1 EMD分析37-38
• 2.5.2 基于EMD重构频域参数的蚁群算法滚动轴承故障诊断38-43
• 2.6 主成分分析重构参数蚁群聚类算法43-50
• 2.6.1 主成分分析43-44
• 2.6.2 基于主成分分析重构参数的蚁群算法滚动轴承故障诊断44-50
• 2.7 本章小结50-53
• 第三章 基于统计滤波的滚动轴承故障诊断方法研究53-65
• 3.1 统计滤波概述53-57
• 3.1.1 统计滤波原理介绍54-55
• 3.1.2 遗传算法参数优化原理55-57
• 3.2 统计滤波算法应用于滚动轴承故障诊断57-64
• 3.2.1 基于振动信号的滚动轴承故障诊断应用58-60
• 3.2.2 基于声发射信号的滚动轴承故障诊断应用60-64
• 3.3 本章小结64-65
• 第四章 基于统计滤波与蚁群算法的滚动轴承故障诊断65-73
• 4.1 统计滤波分析提取信号特征65-67
• 4.2 蚁群算法聚类分析识别故障类型67-71
• 4.3 本章小结71-73
• 第五章 基于非线性信号分析的滚动轴承诊断73-81
• 5.1 随机共振原理介绍73-75
• 5.2 混沌振子原理介绍75
• 5.3 基于非线性信号分析的滚动轴承故障诊断75-79
• 5.4 本章小结79-81
• 第六章 结论及展望81-83
• 6.1 研究成果总结81
• 6.2 后续研究方向81-83
• 参考文献83-87
• 致谢87-89
• 研究成果及发表的学术论文89-91
• 作者和导师简介91-92
• 附录92-93

【参考文献】

中国期刊全文数据库 前10条

1 黄姣英;袁海文;崔勇;毕晨曦;;基于EMD和自相关分析的轮胎音频信号处理[J];电子测量与仪器学报;2009年09期

2 华丽;王成勇;谷琼;程虹;;基于遗传蚁群算法的测试用例集约简[J];工程数学学报;2012年04期

3 郑松;李春富;王春林;葛铭;薛安克;;带有征税算子的改进蚁群优化方法[J];计算机工程与应用;2011年15期

4 段海滨,王道波,朱家强,黄向华;蚁群算法理论及应用研究的进展[J];控制与决策;2004年12期

5 钱济国;;机械故障的时域参数诊断法[J];煤矿机械;2006年09期

6 甄子洋;王道波;王志胜;;基于蚁群优化算法的精密伺服转台故障诊断方法[J];自动化学报;2009年06期

7 徐德明;;改进的遗传混合蚁群算法在TSP问题中的应用[J];计算机时代;2012年11期

8 李兆飞;柴毅;李华锋;;多重分形去趋势波动分析的振动信号故障诊断[J];华中科技大学学报(自然科学版);2012年12期

9 栗茂林;梁霖;王孙安;;基于稀疏表示的故障敏感特征提取方法[J];机械工程学报;2013年01期

10 王宏超;陈进;董广明;;基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取[J];机械工程学报;2013年01期

中国博士学位论文全文数据库 前3条

1 冷永刚;大信号变尺度随机共振的机理分析及其工程应用研究[D];天津大学;2004年

2 赵艳菊;强噪声背景下机械设备微弱信号的提取与检测技术研究[D];天津大学;2009年

3 张莹;随机共振信号恢复机理与方法研究[D];天津大学;2010年

中国硕士学位论文全文数据库 前7条

1 马海龙;复杂机电设备微弱特征提取与早期故障诊断方法研究[D];北京工业大学;2011年

2 石鹏;随机共振在微弱周期冲击信号检测中的应用[D];天津大学;2012年

3 黄平平;基于EMD的齿轮变速箱声学故障诊断[D];中北大学;2012年

4 宋红英;基于蚁群神经网络的发动机故障诊断专家系统的研究[D];中国农业大学;2005年

5 姚剑飞;旋转机械故障诊断专家系统研究与实现[D];北京化工大学;2008年

6 徐丽莎;基于嵌入式旋转机械远程故障信号检测与故障诊断系统的研究[D];中南大学;2009年

7 杨珊;基于异常声音的货运列车滚动轴承故障诊断方法研究[D];中南大学;2012年

，

本文编号：935834