滾動軸承作為旋轉機械重要的零部件之一,其運行狀態(tài)的穩(wěn)定性直接關系到整體設備的工作性能。有效預測滾動軸承的故障位置,正確識別滾動軸承性能衰退階段,對降低危險事故的發(fā)生率和設備的健康管理都具有重要意義。針對滾動軸承故障預測問題,逐步開展信號降噪、特征降維和故障預測的研究,主要研究內(nèi)容如下:首先,提出基于正態(tài)分布的經(jīng)驗小波變換信號降噪方法。針對傳統(tǒng)降噪方法存在窗函數(shù)固定、模式混疊等問題,將經(jīng)驗小波用于信號降噪,并通過正態(tài)分布區(qū)間估計方法克服原有的邊界計算復雜、緩慢且受人工決策影響的問題,實現(xiàn)信號頻譜的自適應劃分;分析有量綱與無量綱在振動過程中表現(xiàn)的差別,通過仿真信號與開源數(shù)據(jù)驗證正態(tài)分布-經(jīng)驗小波變換的降噪效果。其次,提出基于模糊C均值的等距離映射特征降維方法。針對傳統(tǒng)等距離映射算法的拓撲穩(wěn)定性易受鄰域大小影響的問題,采用能夠評價結構信息保留效果的殘差進行優(yōu)化。在對目標數(shù)據(jù)的特征降維時,運用模糊C均值進行聚類,使高維與低維空間的流形數(shù)據(jù)保持相近的特性。通過仿真實驗效果對比,驗證模糊C均值的等距離映射降維方法的效果。然后,建立偏最小二乘法的極限學習機故障預測模型。針對傳統(tǒng)極限學習機的網(wǎng)絡權值和... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

軸承全生命試驗臺

剔除信號中造成干擾的無用信息有用信息在盡可能不失真，不影響數(shù)據(jù)內(nèi)在屬性描述，這就是信號處理中的降維。本章提出過改進后的 ISOMAP 算法，與模糊 C 均值相結SOMAP 的特征降維方法（ISOMAP）作為一種流形學習算法，主要是利降維，其核心思想是利用局部鄰域距離估測各通過建立原數(shù)據(jù)間測地距離與降維數(shù)據(jù)空間距離（如圖 3-1 中的 AB 弧線，歐氏距離便是直質流形幾何特征，因此 ISOMAP 能夠成功找到，應用于數(shù)據(jù)降維。

圖 3-6 凱斯西儲軸承故障試驗臺布局Fig.3-6 Case West Bearing Fault Test Bench Layout表 3-1 CWRU 參數(shù)表Table 3-1 Parameter list of CWRU 外圈直徑 厚度 滾動體直徑 節(jié)圓直徑 滾52mm 15mm 7.94004mm 39.0398mm 據(jù)所得的特征向量，分析不同故障損傷階段的滾動軸承，故障頻率。不同的損傷狀態(tài)，故障頻率出現(xiàn)的位置也先后 所示。.2 0.4 0.6 0.8 1時間t/s軸承初期損傷故障軸承中度損傷故障0 500 1000 1500 頻率/Hz02040功率譜/A軸承初期損傷故障1000率譜/A軸承中度損傷故障


本文編號：2964000