發(fā)布時間：2018-12-10 19:59

【摘要】：隨著科學(xué)技術(shù)的進步和現(xiàn)代工業(yè)的發(fā)展,滾動軸承作為機械設(shè)備中的重要旋轉(zhuǎn)零件,在工業(yè)生產(chǎn)領(lǐng)域應(yīng)用廣泛,也是主要故障源之一。許多機械設(shè)備的故障都與滾動軸承有關(guān),軸承的工作狀態(tài)正常與否直接影響到機械設(shè)備的性能。因此開展?jié)L動軸承故障診斷技術(shù)的研究具有重要的理論價值和現(xiàn)實意義。本文從軸承振動信號的處理著手,對滾動軸承故障診斷技術(shù)所涉及的理論方法和關(guān)鍵技術(shù)進行了深入的研究,主要內(nèi)容如下：闡述了滾動軸承故障診斷技術(shù)的內(nèi)容和意義,系統(tǒng)介紹了滾動軸承的振動機理及其故障特征頻率,總結(jié)了滾動軸承故障診斷中特征提取和模式識別的研究現(xiàn)狀。介紹了希爾伯特-黃變換的基本原理和Hilbert譜和Hilbert邊際譜的概念,針對現(xiàn)有經(jīng)驗?zāi)B(tài)分解方法模態(tài)混疊的缺點,引入完備的集合經(jīng)驗?zāi)B(tài)分解方法,通過對周期性沖擊信號進行經(jīng)驗?zāi)B(tài)分解和完備的集合經(jīng)驗?zāi)B(tài)分解對比分析,驗證了完備的集合經(jīng)驗?zāi)B(tài)分解得到的內(nèi)稟模態(tài)函數(shù)更接近理想值。針對滾動軸承故障特征易被噪聲干擾淹沒的特點,提出了一種基于小波包和完備的集合經(jīng)驗?zāi)B(tài)分解相結(jié)合,并且附帶內(nèi)稟模態(tài)函數(shù)篩選過程的特征提取方法。將該方法用于仿真信號和實驗數(shù)據(jù)的分析,結(jié)果表明,改進的HHT方法能有效提取故障特征頻率成分并抑制噪聲。采用最小二乘支持向量機模型對滾動軸承的故障進行模式識別,并用粒子群優(yōu)化算法對參數(shù)進行尋優(yōu)。將提取到的內(nèi)稟模態(tài)函數(shù)的奇異值作為支持向量機的特征向量進行訓(xùn)練,對測試樣本進行識別驗證了支持向量機的分類效果。
[Abstract]:With the progress of science and technology and the development of modern industry, rolling bearing, as an important rotating part in machinery and equipment, is widely used in the field of industrial production, and is also one of the main fault sources. Many mechanical equipment faults are related to rolling bearings, the normal working condition of bearings directly affects the performance of mechanical equipment. Therefore, the research of rolling bearing fault diagnosis technology has important theoretical value and practical significance. In this paper, the theoretical methods and key technologies of rolling bearing fault diagnosis technology are deeply studied from the view of bearing vibration signal processing. The main contents are as follows: the content and significance of rolling bearing fault diagnosis technology are expounded. The vibration mechanism and fault characteristic frequency of rolling bearing are introduced systematically. The research status of feature extraction and pattern recognition in rolling bearing fault diagnosis is summarized. In this paper, the basic principle of Hilbert-Huang transform and the concepts of Hilbert spectrum and Hilbert marginal spectrum are introduced. Aiming at the shortcomings of the existing empirical mode decomposition methods, a complete set empirical mode decomposition method is introduced. By comparing the empirical mode decomposition and complete set empirical mode decomposition of periodic shock signal, it is verified that the intrinsic mode function obtained by complete set empirical mode decomposition is closer to the ideal value. In view of the fact that the fault features of rolling bearings are easily submerged by noise, a feature extraction method based on wavelet packet and complete set empirical mode decomposition (EMD) with intrinsic modal function selection process is proposed. The method is applied to the analysis of simulation signals and experimental data. The results show that the improved HHT method can effectively extract the fault characteristic frequency components and suppress the noise. The model of least square support vector machine (LS-SVM) is used to identify the fault of rolling bearing and the particle swarm optimization (PSO) algorithm is used to optimize the parameters. The singular value of the intrinsic modal function is trained as the eigenvector of the support vector machine, and the classification effect of the support vector machine is verified by the recognition of the test samples.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TH133.33

【相似文獻】

相關(guān)期刊論文 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內(nèi)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(guān)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(yīng)用[J];試驗技術(shù)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(diào)頻小波變換的滾動軸承故障研究[J];機械設(shè)計與制造;2005年06期

7 程光友;;時域指標(biāo)在滾動軸承故障診斷中的應(yīng)用[J];中國設(shè)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(xué)院學(xué)報(自然科學(xué)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

相關(guān)會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術(shù)探討[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)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(shù)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(xué)術(shù)年會鐵道分會場暨中國鐵道學(xué)會學(xué)術(shù)年會和粵海通道運營管理學(xué)術(shù)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(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)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(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)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(yīng)用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)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(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)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(chǎn)技術(shù)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(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學(xué)學(xué)術(shù)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(yīng)用[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)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(jié)合在滾動軸承故障診斷中的應(yīng)用[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會議論文集[C];2009年

相關(guān)博士學(xué)位論文 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(shù)研究[D];南京航空航天大學(xué);2014年

2 于江林;滾動軸承故障的非接觸聲學(xué)檢測信號特性及重構(gòu)技術(shù)研究[D];大慶石油學(xué)院;2009年

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

4 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(xué);2012年

5 趙協(xié)廣;基于小波變換和經(jīng)驗?zāi)B(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學(xué);2009年

6 侯者非;強噪聲背景下滾動軸承故障診斷的關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2010年

7 郭艷平;面向風(fēng)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(xué);2012年

8 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(xué);2003年

9 Ao Hung Linh（池雄嶺）;基于化學(xué)反應(yīng)優(yōu)化算法和支持向量機的滾動軸承故障診斷方法研究[D];湖南大學(xué);2014年

10 崔寶珍;自適應(yīng)形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李男;基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法[D];燕山大學(xué);2015年

2 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(xué);2015年

3 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(xué);2015年

4 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(xué);2015年

5 馮春生;基于多源不確定信息融合的數(shù)控機床滾動軸承故障診斷方法與實驗研究[D];青島理工大學(xué);2015年

6 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學(xué);2015年

7 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學(xué);2015年

8 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學(xué);2015年

9 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應(yīng)用研究[D];電子科技大學(xué);2014年

10 段永強;局部均值分解法在滾動軸承故障自動診斷中的應(yīng)用研究[D];電子科技大學(xué);2015年

，

本文編號：2371121