本文選題：滾動(dòng)軸承 + 高維特征集��； 參考：《哈爾濱理工大學(xué)》2017年碩士論文

【摘要】：滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備中的重要基礎(chǔ)元件之一,整個(gè)機(jī)械設(shè)備運(yùn)行的安全性和可靠性都與其健康狀態(tài)息息相關(guān),一旦出現(xiàn)故障不能及時(shí)監(jiān)測(cè)并排除,就有可能造成整個(gè)機(jī)械設(shè)備的失效癱瘓,甚至造成巨大的災(zāi)難性后果。因此,如何準(zhǔn)確評(píng)估滾動(dòng)軸承的健康狀態(tài),以真正達(dá)到智能定量評(píng)估,變定時(shí)或事后維修為視情維修,實(shí)現(xiàn)滾動(dòng)軸承的主動(dòng)維護(hù)具有十分重要的意義。論文以建立滾動(dòng)軸承健康狀態(tài)評(píng)估方法為主線,從特征提取、維數(shù)約簡(jiǎn)、健康狀態(tài)評(píng)估模型以及優(yōu)化算法方面逐步展開(kāi)研究。特征提取方面,為有效利用時(shí)域、頻域、時(shí)-頻域中各類具有顯著差異的特征,更全面準(zhǔn)確的刻畫軸承的健康狀態(tài)。論文對(duì)實(shí)際軸承振動(dòng)信號(hào)進(jìn)行時(shí)域、頻域的特征提取,并將集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)結(jié)合奇異值分解(SVD)獲取時(shí)-頻特征。在此基礎(chǔ)上構(gòu)建高維多域特征集。維數(shù)約簡(jiǎn)方面,深入研究局部線性嵌入(LLE)算法�；谡駝�(dòng)信號(hào)提取的特征具有數(shù)據(jù)流形的局部幾何結(jié)構(gòu)分布不均勻的特點(diǎn),同時(shí)為避免出現(xiàn)新增樣本時(shí)需要重復(fù)計(jì)算的缺點(diǎn),本文對(duì)局部線性嵌入算法進(jìn)行自適應(yīng)增量改進(jìn)。通過(guò)對(duì)比實(shí)驗(yàn)證明改進(jìn)后的局部線性嵌入算法的有效性。優(yōu)化算法方面,由于人為選取支持向量機(jī)(SVM)中的參數(shù)具有一定的盲目性,傳統(tǒng)的參數(shù)優(yōu)化算法難以快速找出全局最優(yōu)解。因此本文深入研究了雞群優(yōu)化(CSO)算法,并將混沌理論引入到雞群算法中,即混沌優(yōu)化雞群算法(C-CSO)。通過(guò)對(duì)基本函數(shù)進(jìn)行優(yōu)化實(shí)驗(yàn)對(duì)比,詳細(xì)分析各優(yōu)化算法的性能。健康狀態(tài)評(píng)估方面,用混沌優(yōu)化雞群算法優(yōu)化支持向量機(jī)中的參數(shù),構(gòu)建自適應(yīng)增量局部線性嵌入-支持向量機(jī)分類模型。并提出一致性相對(duì)補(bǔ)償距離作為健康狀態(tài)評(píng)估指標(biāo),實(shí)現(xiàn)對(duì)滾動(dòng)軸承健康狀態(tài)的有效評(píng)估。
[Abstract]:As one of the important basic components in rotating machinery, the safety and reliability of the whole machinery and equipment are closely related to its health condition. Once the fault occurs, it can not be monitored and eliminated in time. May cause the failure of the entire mechanical equipment paralysis, and even cause huge catastrophic consequences. Therefore, it is of great significance to accurately evaluate the health status of rolling bearings, to truly achieve intelligent quantitative evaluation, to change the timing or after maintenance to maintenance according to the situation, and to realize the active maintenance of rolling bearings. The main line of this paper is to establish a method for evaluating the health status of rolling bearings, and the research is carried out step by step from the aspects of feature extraction, dimension reduction, health state evaluation model and optimization algorithm. In the aspect of feature extraction, in order to utilize the different features in time domain, frequency domain and time-frequency domain effectively, the healthy state of bearing can be described more comprehensively and accurately. In this paper, the real bearing vibration signals are extracted in the time domain and frequency domain, and the time-frequency features are obtained by using the set empirical mode decomposition (EEMD) and singular value decomposition (SVD). On this basis, the high dimensional multi-domain feature set is constructed. In the aspect of dimension reduction, the local linear embedding (Lle) algorithm is studied in depth. The feature extracted based on vibration signal has the characteristic of uneven distribution of local geometric structure in data stream shape, and in order to avoid the shortcoming of repeated calculation when new samples are added, the adaptive incremental improvement of local linear embedding algorithm is carried out in this paper. The experimental results show that the improved local linear embedding algorithm is effective. In the aspect of optimization algorithm, it is difficult for traditional parameter optimization algorithm to find the global optimal solution quickly because of the blindness in the artificial selection of the parameters in support vector machine (SVM). Therefore, this paper deeply studies the CSOs algorithm, and introduces the chaos theory into the chicken swarm optimization algorithm, that is, the chaos optimal chicken swarm algorithm (CSOO). The performance of each optimization algorithm is analyzed in detail by comparing the basic function optimization experiments. In the aspect of health state evaluation, chaotic optimization algorithm is used to optimize the parameters of support vector machine (SVM), and an adaptive incremental local linear embedded-support vector machine (SVM) classification model is constructed. The consistent relative compensation distance is proposed as an index to evaluate the health status of rolling bearings.
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐高歡;;SVM在教師教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J];浙江水利水電�？茖W(xué)校學(xué)報(bào);2007年01期

2 王蒙;傅行軍;;基于參數(shù)優(yōu)化SVM的旋轉(zhuǎn)機(jī)械故障診斷[J];江蘇電機(jī)工程;2008年01期

3 孫穎;劉玉滿;龔穩(wěn);;基于SVM的多傳感器信息融合[J];長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年03期

4 彭磊;高峰;任立華;黃真輝;;基于SVM的混沌時(shí)間序列預(yù)測(cè)模型應(yīng)用研究[J];工程勘察;2013年09期

5 劉海松;吳杰長(zhǎng);陳國(guó)鈞;;克隆選擇優(yōu)化的SVM模擬電路故障診斷方法[J];電子測(cè)量與儀器學(xué)報(bào);2010年12期

6 劉永斌;何清波;張平;孔凡讓;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷方法[J];計(jì)算機(jī)工程;2012年05期

7 曹鵬;李博;劉鑫;趙大哲;;基于代價(jià)敏感SVM優(yōu)化組合算法的微鈣化簇識(shí)別[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年08期

8 郭有貴;曾萍;朱建林;;交-交矩陣變換器SVM的新穎調(diào)制模式(英文)[J];系統(tǒng)仿真學(xué)報(bào);2009年22期

9 宋國(guó)明;王厚軍;姜書艷;劉紅;;一種聚類分層決策的SVM模擬電路故障診斷方法[J];儀器儀表學(xué)報(bào);2010年05期

10 宋國(guó)明;王厚軍;劉紅;姜書艷;;基于提升小波變換和SVM的模擬電路故障診斷[J];電子測(cè)量與儀器學(xué)報(bào);2010年01期

相關(guān)會(huì)議論文 前10條

1 滕衛(wèi)平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預(yù)報(bào)中的應(yīng)用研究[A];S1 災(zāi)害天氣研究與預(yù)報(bào)[C];2012年

2 王紅軍;徐小力;付瑤;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷知識(shí)獲取[A];第八屆全國(guó)設(shè)備與維修工程學(xué)術(shù)會(huì)議、第十三屆全國(guó)設(shè)備監(jiān)測(cè)與診斷學(xué)術(shù)會(huì)議論文集[C];2008年

3 陳兆基;楊宏暉;杜方鍵;;用于水下目標(biāo)識(shí)別的選擇性SVM集成算法[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2011年全國(guó)水聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

4 程麗麗;張健沛;楊靜;馬駿;;一種改進(jìn)的層次SVM多類分類方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

5 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

6 寧偉;苗雪雷;胡永華;季鐸;張桂平;蔡?hào)|風(fēng);;基于SVM的無(wú)參考譯文的譯文質(zhì)量評(píng)測(cè)[A];機(jī)器翻譯研究進(jìn)展——第四屆全國(guó)機(jī)器翻譯研討會(huì)論文集[C];2008年

7 劉旭;羅鵬飛;李綱;;基于擬合角特征及SVM的雷達(dá)輻射源個(gè)體識(shí)別[A];全國(guó)第五屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議�？�(第一冊(cè))[C];2011年

8 羅浩;謝軍龍;胡云鵬;;地源熱泵空調(diào)系統(tǒng)故障診斷中SVM的應(yīng)用[A];全國(guó)暖通空調(diào)制冷2008年學(xué)術(shù)年會(huì)資料集[C];2008年

9 劉閃電;王建東;;權(quán)重部分更新的大規(guī)模線性SVM求解器[A];2009年研究生學(xué)術(shù)交流會(huì)通信與信息技術(shù)論文集[C];2009年

10 王艦;湯光明;;基于SVM的圖像隱寫檢測(cè)分析[A];第八屆全國(guó)信息隱藏與多媒體安全學(xué)術(shù)大會(huì)湖南省計(jì)算機(jī)學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

相關(guān)博士學(xué)位論文 前1條

1 陳志茹;基于SVM集成學(xué)習(xí)的miRNA靶基因預(yù)測(cè)研究[D];燕山大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 王立達(dá);基于混合核函數(shù)的SVM及其應(yīng)用研究[D];大連海事大學(xué);2016年

2 李同同;基于SVM安瓿藥液雜質(zhì)檢測(cè)與識(shí)別算法的研究[D];廣東工業(yè)大學(xué);2016年

3 林志杰;基于二叉平衡決策樹(shù)的SVM多分類算法的改進(jìn)[D];福州大學(xué);2014年

4 趙晨;基于SVM和回歸分析的玉米葉片葉綠素含量及表型參數(shù)研究[D];內(nèi)蒙古大學(xué);2016年

5 馬珍玉;基于深度學(xué)習(xí)和SVM的植物葉片識(shí)別系統(tǒng)的研究與測(cè)試[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

6 王振柱;基于Structure5.0和SVM的木材微觀圖像特征與識(shí)別研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

7 馬嘉俊;基于SVM的氣閥故障診斷研究[D];電子科技大學(xué);2016年

8 王靜濤;基于SVM的增量式音樂(lè)風(fēng)格分類研究[D];南京郵電大學(xué);2016年

9 吳爽;基于SVM的識(shí)別初等數(shù)學(xué)中相對(duì)運(yùn)動(dòng)應(yīng)用題的研究[D];華中師范大學(xué);2016年

10 宋東雨;基于SVM的車型自動(dòng)分類方法的研究[D];黑龍江大學(xué);2016年

，

本文編號(hào)：1884510