本文關鍵詞：基于模型優(yōu)化VPMCD的滾動軸承故障診斷方法

  更多相關文章： 滾動軸承 故障診斷 QGA-VPMCD R-VPMCD K-VPMCD ASTFA降噪 AKVPMCD AN流行學習方法

【摘要】：滾動軸承在機械設備中主要起著承受和傳遞載荷的作用,是機械設備中最易損傷的元件之一。一旦滾動軸承出現(xiàn)故障很可能導致整個機械設備不能夠正常運行,嚴重時甚至引起整條生產鏈的癱瘓,將造成不可估量的損失,甚至嚴重的人員傷亡安全事故。因此,對其運行狀況進行實時的監(jiān)測和診斷有著非同一般的價值和意義。本質上講,滾動軸承的故障診斷是一個模式識別過程�；谒崛√卣鲄�(shù)之間存在的相互內在關系Raghuraj等人提出了基于多變量預測模型的模式識別方法(Variable predictive mode based class discriminate,簡稱VPMCD)。該方法采用數(shù)學回歸模型對所提取特征參數(shù)間的內在關系進行定量描述,通過樣本訓練選取適當?shù)臄?shù)學模型與階次建立最佳預測模型,在樣本測試階段用所建立的最佳預測模型對樣本進行預測并以預測誤差平方和最小為判據(jù),進行分類識別。本文針對VPMCD方法所建立模型在特征值間關系復雜時預測擬合精度不足的缺陷,提出了基于優(yōu)化模型、替代模型、優(yōu)化替代模型的幾種改進方法,改進后的VPMCD方法經實驗驗證能夠有效地應用于滾動軸承的故障診斷。論文的主要研究內容如下:1、將VPMCD方法和廣泛應用的人工神經網(wǎng)絡、支持向量機進行了對比分析,通過UCI標準數(shù)據(jù)對這三種模式識別方法進行了實驗對比,結果分析表明了VPMCD方法的有效性。2、針對VPMCD方法所建立的最佳模型只選擇了一種數(shù)學回歸模型,模型比較單一,不能夠完全描述所提取特征參數(shù)間的關系而缺乏預測精度的缺陷,采用量子遺傳算法(Quantum genetic algorithm,簡稱QGA)加權全部四種回歸模型,優(yōu)化其權值,建立一個加權綜合模型,能夠更好的對樣本進行預測。3、針對VPMCD中所提供的四種數(shù)學回歸模型在面對所提取特征值間關系復雜程度高時擬合預測能力欠缺的問題提出了兩種預測能力強的替代模型,即R-VPM模型和Kriging模型,并分別提出了基于這兩種替代模型的改進方法。4、將人工魚群智能算法應用于對Kriging幾種相關模型的加權優(yōu)化提出了AKVPMCD方法。提出了一種新的降噪方法——ASTFA相關準則降噪法,并將其結合AKVPMCD應用于背景噪聲較強的滾動軸承故障診斷。首先將滾動軸承振動信號采用ASTFA降噪方法有效地濾除背景噪聲,提取特征值,然后應用經魚群算法優(yōu)化幾種Kriging相關模型權值的AKVPMCD進行分類診斷識別。實例分析表明ASTFA降噪結合AKVPMCD能夠有效的應用于滾動軸承的故障診斷。針對通過提高特征維數(shù)和增加特征數(shù)目獲得大量故障信息的同時通常會伴隨著信息冗余和“維數(shù)災難”的問題提出了自編碼網(wǎng)絡(Autoencoder Network,簡稱AN)流行學習維數(shù)約簡方法,經維數(shù)約簡后將AKVPMCD方法應用于滾動軸承的故障診斷取得了顯著的效果。
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH133.33

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內燃機配件;2000年03期

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應用[J];試驗技術與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調頻小波變換的滾動軸承故障研究[J];機械設計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應用[J];中國設備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

2 劉玉林;;貨車滾動軸承故障不分解診斷技術參數(shù)選擇與優(yōu)化探討[A];擴大鐵路對外開放、確保重點物資運輸——中國科協(xié)2005年學術年會鐵道分會場暨中國鐵道學會學術年會和粵海通道運營管理學術研討會論文集[C];2005年

3 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

4 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

5 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

6 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

7 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產技術會議暨煉鐵年會文集（上冊）[C];2008年

8 李興林;;滾動軸承故障診斷技術現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

9 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

10 高耀智;;高階統(tǒng)計量與小波分析相結合在滾動軸承故障診斷中的應用[A];2009年全國青年摩擦學學術會議論文集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術研究[D];南京航空航天大學;2014年

2 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

3 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

4 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

5 楊柳松;基于小波分析與神經網(wǎng)絡滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

6 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

7 趙協(xié)廣;基于小波變換和經驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

8 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

9 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

10 孟濤;齒輪與滾動軸承故障的振動分析與診斷[D];西北工業(yè)大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

2 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

3 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

4 王德麗;基于改進HHT與SVM的滾動軸承故障診斷方法研究[D];北京交通大學;2016年

5 邵海賀;基于EEMD和最小二乘支持向量機的滾動軸承故障診斷方法研究[D];長春工業(yè)大學;2016年

6 張磊;滾動軸承故障程度和工況不敏感智能診斷方法研究[D];華東交通大學;2016年

7 胡猛;基于局部均值分解的滾動軸承故障診斷方法研究[D];燕山大學;2016年

8 蘇翠嬌;AMD和EMD方法在滾動軸承故障診斷中的應用研究[D];燕山大學;2016年

9 王騰超;基于振動監(jiān)測的風電機組滾動軸承故障診斷應用研究[D];燕山大學;2016年

10 李亞超;基于VMD的滾動軸承故障診斷方法研究[D];石家莊鐵道大學;2016年

，

本文編號：1176824