本文關鍵詞： 滾動軸承 經(jīng)驗模態(tài)分解 流形學習 局部切空間排列算法 K-means分類器　出處：《安徽工業(yè)大學》2017年碩士論文　論文類型：學位論文

【摘要】：滾動軸承發(fā)生故障時,其振動信號往往呈現(xiàn)出強烈的非平穩(wěn)以及非線性特征,因此,如何從這些非平穩(wěn)、非線性信號中獲取故障特征信息并進行故障類型的識別是滾動軸承故障診斷的關鍵。由于經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)能夠對振動信號進行自適應分解從而提供信號的時域、頻域局部信息,因此,本文將其用于提取滾動軸承振動信號的故障特征,構造原始特征量。但是,這些原始特征量維數(shù)較高、信息冗余,不利于分類識別。而流形學習局部切空間排列算法(Local Tangent Space Alignment Algorithm,LTSA)作為一種非線性信號處理方法,具有良好的維數(shù)約簡能力。為此,將LTSA與EMD相結合,提出一種基于經(jīng)驗模態(tài)分解與流形學習的滾動軸承故障診斷方法:首先,利用EMD對滾動軸承振動信號進行自適應分解,并計算分解所得的內(nèi)稟模態(tài)分量(Intrinsic Mode Function,IMF)的協(xié)方差矩陣特征值,組成滾動軸承原始特征集;然后利用LTSA對原始特征集進一步的融合提取;將所得新特征輸入到K-means分類器中進行故障識別。論文主要內(nèi)容如下:(1)以調(diào)心球軸承為實驗對象,利用SG雙金屬電刻機進行故障加工,從而模擬調(diào)心球軸承滾子、外圈及內(nèi)圈的早期微弱點蝕故障,并利用BVT-5軸承振動測量儀采集了調(diào)心球軸承正常、滾子故障、外圈故障及內(nèi)圈故障四種狀態(tài)的加速度振動信號。(2)通過對調(diào)心球軸承四種狀態(tài)下振動信號的實例研究,驗證基于經(jīng)驗模態(tài)分解與流形學習的滾動軸承故障診斷方法的有效性。(3)通過對基于時頻特征提取與流形學習、基于相空間重構與流形學習和基于經(jīng)驗模態(tài)分解與流形學習這三種方法對不同軸向加載情況下的調(diào)心球軸承故障診斷實驗對比分析,結果表明基于經(jīng)驗模態(tài)分解與流形學習的滾動軸承故障診斷方法最優(yōu),尤其在軸承早期微弱故障診斷方面,優(yōu)勢更加明顯。
[Abstract]:When rolling bearings fail, their vibration signals often show strong nonstationary and nonlinear characteristics. Obtaining fault characteristic information and identifying fault types in nonlinear signals is the key to fault diagnosis of rolling bearings. Empirical Mode decomposition (EMD) can adaptively decompose vibration signals to provide the time domain of signals. Because of the local information in frequency domain, this paper uses it to extract the fault feature of vibration signal of rolling bearing and construct the original characteristic quantity. However, the dimension of the original characteristic quantity is high, and the information is redundant. However, as a nonlinear signal processing method, Local Tangent Space Alignment algorithm LTSA (Local Tangent Space Alignment algorithm) has good dimensionality reduction ability. Therefore, LTSA is combined with EMD. A fault diagnosis method for rolling bearing based on empirical mode decomposition and manifold learning is proposed. Firstly, the vibration signal of rolling bearing is decomposed adaptively by EMD. The eigenvalues of intrinsic Mode functions are calculated to form the original feature set of rolling bearing, and then the original feature set is extracted by LTSA. The new features are input into K-means classifier for fault identification. The main contents of this paper are as follows: 1) taking the centering ball bearing as the experimental object, the SG bimetallic electrolithography machine is used to process the fault, thus simulating the centering ball bearing roller. Early weak pitting fault of outer ring and inner ring, and using BVT-5 bearing vibration measuring instrument to collect normal ball bearing, roller fault, Vibration signal of acceleration in four states of outer ring fault and inner ring fault. The effectiveness of the fault diagnosis method for rolling bearings based on empirical mode decomposition and manifold learning is verified. Based on the three methods of phase space reconstruction and manifold learning and empirical mode decomposition and manifold learning, the fault diagnosis experiments of spherical bearings under different axial loading conditions are compared and analyzed. The results show that the fault diagnosis method of rolling bearings based on empirical mode decomposition and manifold learning is optimal, especially in the early weak fault diagnosis of bearings.
【學位授予單位】：安徽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 劉志勇;;基于保距與保拓撲的流形學習算法[J];長江大學學報(自然科學版)理工卷;2010年02期

2 周華;蔡超;丁明躍;;基于流形學習和流形高階近似的圖像距離度量[J];華中科技大學學報(自然科學版);2012年03期

3 黃鴻;李見為;馮海亮;;融合局部和全局結構的流形學習[J];光學精密工程;2009年03期

4 賀廣南;楊育彬;;基于流形學習的圖像檢索算法研究[J];山東大學學報(工學版);2010年05期

5 金波;;基于年齡流形的人臉圖像年齡識別[J];中國新技術新產(chǎn)品;2011年01期

6 高崢;杜川;;基于流形學習算法的人臉識別研究[J];河南機電高等�？茖W校學報;2011年04期

7 詹煒;;流形學習算法概述[J];武漢船舶職業(yè)技術學院學報;2013年02期

8 丁玲;唐娉;李宏益;;基于流形學習的混合光譜解混分析[J];紅外與激光工程;2013年09期

9 顧艷春;;一種基于線性插值的流形學習算法[J];佛山科學技術學院學報(自然科學版);2013年01期

10 張輝遠;;基于高光譜影像的流形學習降維方法近鄰畸變分析[J];鐵道勘察;2014年02期

相關會議論文 前4條

1 宋欣;王娟;張斌;葉世偉;;流形學習算法分析及在人臉數(shù)據(jù)庫上的應用[A];2008年全國開放式分布與并行計算機學術會議論文集(上冊)[C];2008年

2 劉曉平;季浩;鄧偉財;;基于流形學習的非線性系統(tǒng)可視化算法[A];全國第21屆計算機技術與應用學術會議（CACIS·2010）暨全國第2屆安全關鍵技術與應用學術會議論文集[C];2010年

3 何慧;陳博;郭軍;;基于流形學習的半監(jiān)督文本情感分類算法[A];第五屆全國信息檢索學術會議論文集[C];2009年

4 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學習的故障模式識別方法[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

相關博士學位論文 前10條

1 蘇祖強;基于泛化流形學習的風電機組傳動系統(tǒng)早期故障診斷方法研究[D];重慶大學;2015年

2 馬婧華;基于流形學習的旋轉機械早期故障融合診斷方法研究[D];重慶大學;2015年

3 邢向磊;流形學習與稀疏表示在模式識別中的應用[D];南京大學;2013年

4 盧磊;機械加工過程中的早期故障微弱信號處理方法研究[D];哈爾濱工業(yè)大學;2016年

5 郝中華;基于微分流形的非線性降維方法研究[D];上海大學;2016年

6 黃紅兵;層次流形學習及其在監(jiān)督分類中的應用[D];上海交通大學;2015年

7 杜春;流形學習及其應用算法研究[D];國防科學技術大學;2014年

8 李月仙;基于拉普拉斯特征映射算法的旋轉機械故障診斷研究[D];太原理工大學;2016年

9 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學;2014年

10 黃鴻;圖嵌入框架下流形學習理論及應用研究[D];重慶大學;2008年

相關碩士學位論文 前10條

1 蔡江林;基于流形學習的滾動軸承早期微弱故障診斷研究[D];安徽工業(yè)大學;2017年

2 胡浩松;基于流形學習的旋轉機械故障識別方法研究[D];燕山大學;2015年

3 丁春濤;基于圖嵌入的判別近鄰分析研究及應用[D];蘇州大學;2015年

4 余嬋娟;交互式人臉檢索中人機人臉認知一致性研究[D];上海大學;2015年

5 陳明霞;基于半監(jiān)督的多流形學習算法研究[D];華僑大學;2015年

6 顧陽陽;基于流形學習的雷達輻射源識別技術[D];西安電子科技大學;2014年

7 高漢宇;基于最優(yōu)r-覆蓋堆積數(shù)本征維數(shù)估計方法及其應用[D];西安電子科技大學;2014年

8 羅廷金;基于流形學習的數(shù)據(jù)降維算法研究[D];國防科學技術大學;2013年

9 周韻然;基于流形學習的A股上市公司抽樣的信用評價[D];電子科技大學;2014年

10 史仍浩;基于流形學習的在線社會網(wǎng)絡節(jié)點分類[D];上海交通大學;2013年

，

本文編號：1502614