基于支持向量机的滚动轴承故障诊断与预测方法研究
发布时间：2021-12-23 17:57
作为机械的重要组成部件,滚动轴承的状态对整个机械系统的运行有着重要影响,如果滚动轴承发生故障可能引发机械系统偏离正常的工作状态,甚至造成停机、停产、机械损毁。所以开展滚动轴承的故障诊断和预测研究尤为重要,它对保障机械设备的长期、稳定运行有着重要作用。通过对滚动轴承信号进行采集,特征提取,智能分析可以尽早发现或者预知滚动轴承将要发生的故障,从而采取检修或者更换等手段,避免由于滚动轴承故障而引发一系列重大的生产安全事故和不必要的经济损失。为了更好地辨识滚动轴承轻微故障,提高故障诊断的准确率,本文将采用距离评估技术筛选的时域参数和频域参数与IMF能量矩及基于EMD-SVD方法提取的特征相融合组成多域特征集以挖掘潜藏在动态信号中的故障信息。在已建立多域特征集的基础上运用高斯核函数支持向量机对滚动轴承进行故障诊断。实验数据分析表明,采用多域特征集方法对滚动轴承进行故障诊断的诊断正确率高达98.75%,高于采用任一单特征的故障诊断正确率。此外,本文也分析了单特征对滚动轴承不同故障的敏感性。在实际的工业应用场合,滚动轴承正常样本的数量远远多于故障样本的数量,样本不平衡会导致支持向量机的分类超平面发生...
【文章来源】：中国矿业大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：130 页
【学位级别】：博士
【部分图文】：
技术路线图
图２．１滚动轴承结构图??
图２．４??可以看出降噪后的波形更加平滑，并且与原波形相似度较高，尤其对于故障工况??下的轴承降噪后的信号密集度降低，冲击过程更加明显，缓解了噪声对信号的影??响
【参考文献】：
期刊论文
[1]基于小波变换和BP神经网络的滚动轴承故障信号诊断[J]. 任君兰. 内燃机与配件. 2019(02)
[2]改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用[J]. 吕明珠,苏晓明,陈长征,刘世勋. 机械与电子. 2019(01)
[3]基于改进的RBF神经网络的滚动轴承故障诊断[J]. 张远绪,程换新,宋生建. 工业仪表与自动化装置. 2018(06)
[4]基于IITD和FCM聚类的滚动轴承故障诊断[J]. 向玲,郭鹏飞,高楠,张力佳. 航空动力学报. 2018(10)
[5]基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别[J]. 徐其祥. 煤矿开采. 2018(05)
[6]基于改进多尺度模糊熵的滚动轴承故障诊断方法[J]. 郑近德,代俊习,朱小龙,潘海洋,潘紫微. 振动.测试与诊断. 2018(05)
[7]LMD支持向量机电机轴承故障诊断研究[J]. 尹召杰,许同乐,郑店坤. 哈尔滨理工大学学报. 2018(05)
[8]基于多尺度排列熵和支持向量机的轴承故障诊断[J]. 瞿金秀,石长全,丁锋,王文娟. 煤矿机械. 2018(09)
[9]基于征兆驱动和专家推理的水电机组轴承状态分析[J]. 唐磊,陈启卷,王卫玉,洪礼聪. 水电能源科学. 2018(05)
[10]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
博士论文
[1]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃.华北电力大学(北京) 2016
[2]列车滚动轴承振动信号的特征提取及诊断方法研究[D]. 熊庆.西南交通大学 2015
[3]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
[4]基于优化支持向量机的空间滚动轴承寿命预测方法研究[D]. 董绍江.重庆大学 2012
[5]基于自适应振动信号处理的旋转机械故障诊断研究[D]. 张超.西安电子科技大学 2012
[6]两类组合预测方法的研究及应用[D]. 李彩虹.兰州大学 2012
[7]基于核方法的旋转机械故障诊断技术与模式分析方法研究[D]. 蒋玲莉.中南大学 2010
[8]基于循环平稳信号处理的滚动轴承故障诊断方法研究[D]. 周福昌.上海交通大学 2006
硕士论文
[1]基于改进EMD的电机轴承故障诊断方法研究[D]. 杨宁.东北石油大学 2018
[2]基于自适应增量LLE和SVM的滚动轴承健康状态评估方法研究[D]. 马丹阳.哈尔滨理工大学 2017
[3]结合异常检测算法的轴承故障检测研究[D]. 林超.浙江大学 2017
[4]基于灰色系统理论的显微纤维边缘检测系统研制[D]. 石梓霖.东华大学 2017
[5]基于小波优化的灰色BP神经网络在深基坑变形预测中的应用[D]. 付博.东华理工大学 2016
[6]基于振动监测的风电机组滚动轴承故障诊断应用研究[D]. 王腾超.燕山大学 2016
[7]基于改进HHT与SVM的滚动轴承故障诊断方法研究[D]. 王德丽.北京交通大学 2016
[8]基于振动信号处理的电机轴承故障诊断方法研究[D]. 张洋.辽宁科技大学 2016
[9]基于人工神经网络的手写字母识别研究[D]. 阙为涛.天津大学 2016
[10]基于符号化时间序列分析的轴承故障诊断方法研究[D]. 胡世杰.东南大学 2015
本文编号：3548925
【文章来源】：中国矿业大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：130 页
【学位级别】：博士
【部分图文】：
技术路线图
图２．１滚动轴承结构图??
图２．４??可以看出降噪后的波形更加平滑，并且与原波形相似度较高，尤其对于故障工况??下的轴承降噪后的信号密集度降低，冲击过程更加明显，缓解了噪声对信号的影??响
【参考文献】：
期刊论文
[1]基于小波变换和BP神经网络的滚动轴承故障信号诊断[J]. 任君兰. 内燃机与配件. 2019(02)
[2]改进粒子群算法优化的支持向量机在滚动轴承故障诊断中的应用[J]. 吕明珠,苏晓明,陈长征,刘世勋. 机械与电子. 2019(01)
[3]基于改进的RBF神经网络的滚动轴承故障诊断[J]. 张远绪,程换新,宋生建. 工业仪表与自动化装置. 2018(06)
[4]基于IITD和FCM聚类的滚动轴承故障诊断[J]. 向玲,郭鹏飞,高楠,张力佳. 航空动力学报. 2018(10)
[5]基于最小二乘支持向量机的矿用胶带机滚动轴承故障识别[J]. 徐其祥. 煤矿开采. 2018(05)
[6]基于改进多尺度模糊熵的滚动轴承故障诊断方法[J]. 郑近德,代俊习,朱小龙,潘海洋,潘紫微. 振动.测试与诊断. 2018(05)
[7]LMD支持向量机电机轴承故障诊断研究[J]. 尹召杰,许同乐,郑店坤. 哈尔滨理工大学学报. 2018(05)
[8]基于多尺度排列熵和支持向量机的轴承故障诊断[J]. 瞿金秀,石长全,丁锋,王文娟. 煤矿机械. 2018(09)
[9]基于征兆驱动和专家推理的水电机组轴承状态分析[J]. 唐磊,陈启卷,王卫玉,洪礼聪. 水电能源科学. 2018(05)
[10]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
博士论文
[1]滚动轴承故障特征提取与诊断方法研究[D]. 邓飞跃.华北电力大学(北京) 2016
[2]列车滚动轴承振动信号的特征提取及诊断方法研究[D]. 熊庆.西南交通大学 2015
[3]基于支持向量机的旋转机械故障诊断与预测方法研究[D]. 朱霄珣.华北电力大学 2013
[4]基于优化支持向量机的空间滚动轴承寿命预测方法研究[D]. 董绍江.重庆大学 2012
[5]基于自适应振动信号处理的旋转机械故障诊断研究[D]. 张超.西安电子科技大学 2012
[6]两类组合预测方法的研究及应用[D]. 李彩虹.兰州大学 2012
[7]基于核方法的旋转机械故障诊断技术与模式分析方法研究[D]. 蒋玲莉.中南大学 2010
[8]基于循环平稳信号处理的滚动轴承故障诊断方法研究[D]. 周福昌.上海交通大学 2006
硕士论文
[1]基于改进EMD的电机轴承故障诊断方法研究[D]. 杨宁.东北石油大学 2018
[2]基于自适应增量LLE和SVM的滚动轴承健康状态评估方法研究[D]. 马丹阳.哈尔滨理工大学 2017
[3]结合异常检测算法的轴承故障检测研究[D]. 林超.浙江大学 2017
[4]基于灰色系统理论的显微纤维边缘检测系统研制[D]. 石梓霖.东华大学 2017
[5]基于小波优化的灰色BP神经网络在深基坑变形预测中的应用[D]. 付博.东华理工大学 2016
[6]基于振动监测的风电机组滚动轴承故障诊断应用研究[D]. 王腾超.燕山大学 2016
[7]基于改进HHT与SVM的滚动轴承故障诊断方法研究[D]. 王德丽.北京交通大学 2016
[8]基于振动信号处理的电机轴承故障诊断方法研究[D]. 张洋.辽宁科技大学 2016
[9]基于人工神经网络的手写字母识别研究[D]. 阙为涛.天津大学 2016
[10]基于符号化时间序列分析的轴承故障诊断方法研究[D]. 胡世杰.东南大学 2015
本文编号：3548925
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3548925.html
