基于小波分析和机器学习的滚动轴承故障诊断方法研究

发布时间：2023-08-17 19:18

　　随着国家工业化的不断推进,工厂中的机械设备自动化程度越来越高,对机械设备故障诊断技术的研究也愈发重要。滚动轴承作为旋转机械中应用最广泛且最易受损的零件之一,其振动信号的复杂性和非平稳性推动着滚动轴承故障诊断技术逐渐趋于智能化。本文主要研究了滚动轴承故障诊断技术中故障特征提取和故障模式识别两方面内容:在故障特征提取方面,文中首先研究了小波分析法的理论知识,采用小波分析法对轴承故障诊断试验台上提取的振动信号进行降噪处理,然后再对降噪后的信号通过小波包变换来进行能量特征提取,最后将提取到的能量特征作为后续模式识别中的故障特征向量。在故障模式识别方面,本文对机器学习中的BP神经网络、支持向量机(SVM)及堆栈稀疏自编码(SSAE)网络进行了详细的论述。首先研究了BP神经网络的工作原理,并根据故障数据对网络结构和网络参数进行确定,随机选取故障样本集中的数据对网络进行训练和测试,取得了良好的效果。其次,研究了SVM的分类性能,探究不同核函数和不同核参数对分类效果的影响,将其应用到轴承的故障诊断中取得了较好的效果。鉴于上述两种方法均为有监督式的学习方法,需要同时对输入数据和故障类型作标签来实现分类,...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究目的及意义
    1.2 滚动轴承故障诊断技术研究现状
        1.2.1 滚动轴承故障诊断技术发展历程
        1.2.2 滚动轴承故障特征提取研究现状
        1.2.3 滚动轴承故障模式识别研究现状
    1.3 论文的主要内容
第2章 基于小波分析的滚动轴承故障特征提取方法研究
    2.1 小波理论
        2.1.1 小波分析
        2.1.2 多分辨率分析
        2.1.3 小波包分析
        2.1.4 小波分析的信号重构
    2.2 小波降噪方法
    2.3 小波包能量特征提取方法
    2.4 小波分析降噪及特征提取实例
        2.4.1 振动信号的采集
        2.4.2 降噪及特征提取仿真
    2.5 本章小结
第3章 基于BP神经网络的滚动轴承故障诊断方法研究
    3.1 人工神经网络理论
        3.1.1 神经网络的分类
        3.1.2 神经网络的基本性质及优点
        3.1.3 人工神经元模型
        3.1.4 神经网络的学习规则
    3.2 BP神经网络理论
    3.3 小波-BP模型在轴承故障诊断中的应用
        3.3.1 故障诊断样本选取
        3.3.2 故障诊断模型建立及试验分析
    3.4 本章小结
第4章 基于支持向量机的滚动轴承故障诊断方法研究
    4.1 统计学习理论基础
        4.1.1 学习过程的一致性条件
        4.1.2 结构风险最小化归纳原理
    4.2 支持向量机理论
        4.2.1 最大间隔分类超平面
        4.2.2 支持向量机算法原理
        4.2.3 核函数
        4.2.4 支持向量机多分类问题
    4.3 小波-SVM模型在轴承故障诊断中的应用
    4.4 本章小结
第5章 基于堆栈稀疏自编码的滚动轴承故障诊断方法研究
    5.1 深度学习理论
    5.2 堆叠稀疏自编码网络理论
        5.2.1 自编码网络
        5.2.2 稀疏自编码网络
        5.2.3 堆栈稀疏自编码网络
    5.3 小波-SSAE模型在轴承故障诊断中的应用
    5.4 本章小结
第6章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
作者简介
攻读硕士学位期间研究成果



本文编号：3842427