發(fā)布時(shí)間：2020-05-31 18:46

【摘要】： 在機(jī)械系統(tǒng)運(yùn)行中,其旋轉(zhuǎn)機(jī)械的故障發(fā)生率中有30%是由于軸承故障而引起的,若能較快地發(fā)現(xiàn)并預(yù)測(cè)軸承故障類型,使工作人員能夠及時(shí)采取相應(yīng)的措施,將故障消滅在萌芽狀態(tài),可以較好地起到維護(hù)設(shè)備完善和保護(hù)人員安全的作用。所以,對(duì)滾動(dòng)軸承的開(kāi)展故障診斷方法研究,具有很強(qiáng)的實(shí)際意義。 本文首先分析了滾動(dòng)軸承的振動(dòng)機(jī)理與信號(hào)特征,并在滾動(dòng)軸承模擬故障實(shí)驗(yàn)臺(tái)上,對(duì)正常軸承及分別含有內(nèi)圈損傷、外圈損傷、滾動(dòng)體點(diǎn)蝕的滾動(dòng)軸承進(jìn)行了故障實(shí)驗(yàn),采集了它們不同故障形式下的振動(dòng)信號(hào)。 目前小波包方法是一種在多分辨分析基礎(chǔ)上構(gòu)成的正交分解的時(shí)頻分析方法。它既可以在低頻和高頻部分進(jìn)行分解,自適應(yīng)地確定信號(hào)在不同頻段上的分辨率,還可以將包括正弦信號(hào)在內(nèi)的任意信號(hào)劃歸到相應(yīng)的頻帶里,而這些分解的頻帶信號(hào)都具有一定的能量。因此本文接下來(lái)采用每個(gè)頻帶里包含的信號(hào)能量作為特征向量,來(lái)表征滾動(dòng)軸承的運(yùn)行狀態(tài)。 在機(jī)械設(shè)備進(jìn)行智能故障識(shí)別中,近年來(lái)開(kāi)展的信號(hào)識(shí)別方法研究中,支持向量機(jī)(SVM)是基于少樣本情況下,就機(jī)器學(xué)習(xí)問(wèn)題所建立的一種新的智能故障識(shí)別理論體系,它可以較好地解決數(shù)據(jù)小樣本、高維及非線性等實(shí)際問(wèn)題。本課題基于多分類支持向量機(jī)的故障自動(dòng)識(shí)別技術(shù),在“一對(duì)一”多分類算法的基礎(chǔ)上,結(jié)合決策樹(shù)理論和投票理論,構(gòu)造一種多分類算法,找到一種既能夠提高已知少量樣本的重復(fù)利用度,又可以維持每個(gè)子分類器正負(fù)訓(xùn)練樣本的對(duì)稱問(wèn)題,而且能顯著提高分類的精度的方法。用已經(jīng)提取的模擬樣本能量特征向量對(duì)滾動(dòng)軸承的故障進(jìn)行識(shí)別和分類,取得到良好的效果。
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2010
【分類號(hào)】：TH133.33;TH165.3

【引證文獻(xiàn)】

相關(guān)期刊論文 前1條

1 劉林艷;金煒東;余志斌;;基于小波分析的高速列車(chē)車(chē)體運(yùn)行狀態(tài)估計(jì)[J];計(jì)算機(jī)應(yīng)用研究;2013年10期

，

本文編號(hào)：2690300