基于IDA优化极限学习机的轴承故障诊断研究
发布时间：2020-12-19 16:18
滚动轴承在各种机械设备中发挥重要作用,其健康状态与机械设备的安全稳定运行密切相关。针对滚动轴承进行开展的故障诊断技术的研究,不仅可有效提高机械设备运行的可靠性及安全管理水平,同时还具有重要的理论应用价值。本文对滚动轴承故障诊断方法的研究主要是特征提取和模式识别。研究工作如下:第一,本文基于振动信号处理的方法对具有非平稳特性的滚动轴承故障振动信号先进行信号预处理,分析比较了常用的信号处理方法,最后选取了在处理非平稳信号方面有优势的基于改善小波变换的小波包分析的时频域处理方法。然后,应用小波包变换对轴承振动信号进行降噪并提取特征信息,构建输入分类器的有效特征向量。第二,在构建特征向量后,使用基于极限学习机的诊断模型进行轴承状态的模式识别。针对随机初始化极限学习机输入权值和隐藏层阈值带来的问题,利用蜻蜓算法在寻优速度和全局寻优能力上的优势,对极限学习机的输入权值和隐藏层阈值进行参数寻优。构建基于蜻蜓算法优化极限学习机的诊断模型,将该模型应用于滚动轴承的故障诊断,实验结果证明了该模型的有效性,且该模型对滚动轴承故障的测试速度和诊断准确率相比于极限学习机模型有了一定程度的提高。第三,针对蜻蜓算法...
【文章来源】：青岛科技大学山东省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
各种设备Fig.1-1Rollingbearing
基于IDA优化极限学习机的轴承故障诊断研究8(2)ELM隐层神经元数目的优化。ELM中只有一个隐藏层，因此，需要更多的隐藏层神经元保证网络输出性能，而隐藏层神经元数目太多会导致ELM网络的复杂化，大大降低运行效率，因此，需要对隐藏层神经元数（隐层节点数）进行优化，找到最佳的隐层节点数。综上所述，基于ELM的优点及其已经在滚动轴承故障诊断中的成功应用，本文基于ELM对滚动轴承故障诊断进行研究，在滚动轴承故障诊断的模式识别步骤中使用ELM模型，并为改善ELM的性能，对ELM进行优化。因为ELM的输入权值和隐藏层阈值直接影响ELM模型的性能，所以，本文采用相关算法优化ELM输入权值和隐藏层阈值的方法提高模型性能。1.3论文结构安排及创新点1.3.1论文结构安排本文以滚动轴承为研究对象，主要对轴承信号的特征提取和轴承状态识别展开研究，本文的整体研究思路如图1-2所示。图1-2研究思路框图Fig.1-2Researchideablock首先对轴承振动信号进行信号预处理，本文使用小波包变换对振动信号去噪并提取特征能量值，将组成的特征向量作为分类器的输入。构建特征向量后，本文选用基于极限学习机的模型作为滚动轴承故障诊断的分类器，为了改善极限学习机的性能，首先用蜻蜓算法（DragonflyAlgorithm,DA）寻找极限学习机的输入权值和隐藏层阈值的最优值，建立基于蜻蜓算法优化极限学习机的DA-ELM诊
青岛科技大学研究生学位论文112滚动轴承振动信号分析方法相关研究滚动轴承是机械设备的关键部件之一，运作环境通常比较差，随着设备的长时间运行，滚动轴承的性能下降，会有各种故障产生。如果不及时采取有效措施，轴承故障可能会造成严重的后果，轴承的健康状态诊断对机械设备的安全稳定运行十分重要。基于轴承振动信号的诊断中，需要对信号进行预处理。因此，对轴承振动信号的特性进行一定的分析是必要的，有助于我们更清楚地认识轴承振动信号的内部特征，也有助于我们选取恰当的信号预处理方法。本章从滚动轴承的振动机理、振动信号的故障特征频率以及故障振动信号特性分析等方面，来更全面的认识轴承振动信号，然后，分析讨论了对于滚动轴承故障振动信号常用的信号处理方法，选定小波包变换作为本文轴承振动信号预处理方法。2.1轴承振动机理及故障特征分析2.1.1轴承结构滚动轴承是一种能减少轴与轴座之间摩擦损失的精密的元件，它可以将转动的轴与轴座之间的滑动摩擦变成滚动摩擦。如图2-1所示，滚动轴承一般由内圈1、外圈2、滚动体3和保持架4构成。（1）内圈：稳固于轴颈上，和轴一起旋转，表面上有内滚道；（2）外圈：稳固于轴承座上，用以支撑滚动体，表面上有外滚道；（3）滚动体：在内圈和外圈之间，起滚动和传力作用，是滚动轴承的最重要部件，可以减少相对运动时的表面间的摩擦；（4）保持架：均匀地把滚动体隔开，让每个滚动体在内圈和外圈之间正常滚动，减少滚动体间的摩擦和磨损，并能防止滚动体脱落。图2-1轴承结构Fig.2-1Structureofbearing
【参考文献】：
期刊论文
[1]Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging[J]. Yongbo LI,Xiaoqiang DU,Fangyi WAN,Xianzhi WANG,Huangchao YU. Chinese Journal of Aeronautics. 2020(02)
[2]基于蜻蜓算法优化支持向量机的滚动轴承故障诊断[J]. 李众,王海瑞,朱建府,燕志星,李卓漫,王广雪,刘毅凡. 化工自动化及仪表. 2019(11)
[3]浅析我国智能制造的发展态势[J]. 唐小芳,裴洁,兰天辉,李兆华,王磊. 中国标准化. 2019(21)
[4]基于分解-粒化和优化极限学习机的燃油泵性能退化趋势预测[J]. 陈强强,戴邵武,戴洪德,李娟. 推进技术. 2020(08)
[5]基于声发射技术的滑动轴承润滑状态诊断研究进展[J]. 蒋亚迪,卢绪祥,陈向民,谭浩宇. 汕头大学学报(自然科学版). 2019(03)
[6]蝙蝠算法优化极限学习机的滚动轴承故障分类[J]. 覃爱淞,吕运容,张清华,胡勤,孙国玺. 计算机测量与控制. 2019(05)
[7]基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断[J]. 张霄,钱玉良,邱正,张云. 热能动力工程. 2019(03)
[8]基于蜻蜓算法优化ELM的电能质量扰动诊断与识别研究[J]. 王宏刚,田洪迅,谈军,周辉. 电力电容器与无功补偿. 2019(01)
[9]基于IGA-ELM网络的滚动轴承故障诊断[J]. 皮骏,马圣,贺嘉诚,孔庆国,林家泉,刘光才. 航空学报. 2018(09)
[10]基于小波包变换和极限学习机的滚动轴承故障诊断[J]. 李瑞莲,兰媛,熊晓燕. 太原理工大学学报. 2017(06)
博士论文
[1]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]. 从飞云.上海交通大学 2012
硕士论文
[1]基于声发射技术的地铁列车滚动轴承故障诊断研究[D]. 陈展鹏.北京交通大学 2012
本文编号：2926203
【文章来源】：青岛科技大学山东省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
各种设备Fig.1-1Rollingbearing
基于IDA优化极限学习机的轴承故障诊断研究8(2)ELM隐层神经元数目的优化。ELM中只有一个隐藏层，因此，需要更多的隐藏层神经元保证网络输出性能，而隐藏层神经元数目太多会导致ELM网络的复杂化，大大降低运行效率，因此，需要对隐藏层神经元数（隐层节点数）进行优化，找到最佳的隐层节点数。综上所述，基于ELM的优点及其已经在滚动轴承故障诊断中的成功应用，本文基于ELM对滚动轴承故障诊断进行研究，在滚动轴承故障诊断的模式识别步骤中使用ELM模型，并为改善ELM的性能，对ELM进行优化。因为ELM的输入权值和隐藏层阈值直接影响ELM模型的性能，所以，本文采用相关算法优化ELM输入权值和隐藏层阈值的方法提高模型性能。1.3论文结构安排及创新点1.3.1论文结构安排本文以滚动轴承为研究对象，主要对轴承信号的特征提取和轴承状态识别展开研究，本文的整体研究思路如图1-2所示。图1-2研究思路框图Fig.1-2Researchideablock首先对轴承振动信号进行信号预处理，本文使用小波包变换对振动信号去噪并提取特征能量值，将组成的特征向量作为分类器的输入。构建特征向量后，本文选用基于极限学习机的模型作为滚动轴承故障诊断的分类器，为了改善极限学习机的性能，首先用蜻蜓算法（DragonflyAlgorithm,DA）寻找极限学习机的输入权值和隐藏层阈值的最优值，建立基于蜻蜓算法优化极限学习机的DA-ELM诊
青岛科技大学研究生学位论文112滚动轴承振动信号分析方法相关研究滚动轴承是机械设备的关键部件之一，运作环境通常比较差，随着设备的长时间运行，滚动轴承的性能下降，会有各种故障产生。如果不及时采取有效措施，轴承故障可能会造成严重的后果，轴承的健康状态诊断对机械设备的安全稳定运行十分重要。基于轴承振动信号的诊断中，需要对信号进行预处理。因此，对轴承振动信号的特性进行一定的分析是必要的，有助于我们更清楚地认识轴承振动信号的内部特征，也有助于我们选取恰当的信号预处理方法。本章从滚动轴承的振动机理、振动信号的故障特征频率以及故障振动信号特性分析等方面，来更全面的认识轴承振动信号，然后，分析讨论了对于滚动轴承故障振动信号常用的信号处理方法，选定小波包变换作为本文轴承振动信号预处理方法。2.1轴承振动机理及故障特征分析2.1.1轴承结构滚动轴承是一种能减少轴与轴座之间摩擦损失的精密的元件，它可以将转动的轴与轴座之间的滑动摩擦变成滚动摩擦。如图2-1所示，滚动轴承一般由内圈1、外圈2、滚动体3和保持架4构成。（1）内圈：稳固于轴颈上，和轴一起旋转，表面上有内滚道；（2）外圈：稳固于轴承座上，用以支撑滚动体，表面上有外滚道；（3）滚动体：在内圈和外圈之间，起滚动和传力作用，是滚动轴承的最重要部件，可以减少相对运动时的表面间的摩擦；（4）保持架：均匀地把滚动体隔开，让每个滚动体在内圈和外圈之间正常滚动，减少滚动体间的摩擦和磨损，并能防止滚动体脱落。图2-1轴承结构Fig.2-1Structureofbearing
【参考文献】：
期刊论文
[1]Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging[J]. Yongbo LI,Xiaoqiang DU,Fangyi WAN,Xianzhi WANG,Huangchao YU. Chinese Journal of Aeronautics. 2020(02)
[2]基于蜻蜓算法优化支持向量机的滚动轴承故障诊断[J]. 李众,王海瑞,朱建府,燕志星,李卓漫,王广雪,刘毅凡. 化工自动化及仪表. 2019(11)
[3]浅析我国智能制造的发展态势[J]. 唐小芳,裴洁,兰天辉,李兆华,王磊. 中国标准化. 2019(21)
[4]基于分解-粒化和优化极限学习机的燃油泵性能退化趋势预测[J]. 陈强强,戴邵武,戴洪德,李娟. 推进技术. 2020(08)
[5]基于声发射技术的滑动轴承润滑状态诊断研究进展[J]. 蒋亚迪,卢绪祥,陈向民,谭浩宇. 汕头大学学报(自然科学版). 2019(03)
[6]蝙蝠算法优化极限学习机的滚动轴承故障分类[J]. 覃爱淞,吕运容,张清华,胡勤,孙国玺. 计算机测量与控制. 2019(05)
[7]基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断[J]. 张霄,钱玉良,邱正,张云. 热能动力工程. 2019(03)
[8]基于蜻蜓算法优化ELM的电能质量扰动诊断与识别研究[J]. 王宏刚,田洪迅,谈军,周辉. 电力电容器与无功补偿. 2019(01)
[9]基于IGA-ELM网络的滚动轴承故障诊断[J]. 皮骏,马圣,贺嘉诚,孔庆国,林家泉,刘光才. 航空学报. 2018(09)
[10]基于小波包变换和极限学习机的滚动轴承故障诊断[J]. 李瑞莲,兰媛,熊晓燕. 太原理工大学学报. 2017(06)
博士论文
[1]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]. 从飞云.上海交通大学 2012
硕士论文
[1]基于声发射技术的地铁列车滚动轴承故障诊断研究[D]. 陈展鹏.北京交通大学 2012
本文编号：2926203
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2926203.html
