發(fā)布時間：2017-04-26 04:12

  本文關鍵詞：基于小波分析和在線極限學習機的滾動軸承故障診斷方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著旋轉機械設備趨于大型化、高效化、集成化,對旋轉機械安全可靠運行的要求也相應提高。滾動軸承是影響旋轉機械設備安全運行的關鍵因素之一,但是由于加工工藝、工作環(huán)境等原因造成其壽命參差性較大和損壞率高的缺點,因此需要對滾動軸承運行狀態(tài)實施有效的診斷。滾動軸承故障診斷技術擺脫了定期維修的弊端,不僅減少了因滾動軸承故障造成的不必要的人力物力損失,而且很大程度上提高了生產效率和機械設備的安全性和可靠性。因此,研究滾動軸承故障診斷技術具有重大的經濟意義與實際應用價值。本文以滾動軸承為研究對象,采用振動信號分析方法對故障特征進行提取并識別故障類型。對基于小波分析和在線極限學習機的滾動軸承故障診斷技術中所涉及的理論、方法和關鍵技術進行了深入的研究,主要研究工作如下：系統(tǒng)分析了滾動軸承故障診斷的主要方法,在眾多診斷方法中,振動診斷法適用范圍廣、處理和分析過程明確直觀,因此本文采用振動信號分析方法。通過分析軸承故障診斷領域的國內外研究現(xiàn)狀,指出快速、準確地對軸承故障進行診斷已成為研究重點。此外對滾動軸承振動信號時域、頻域和時頻域分析方法及常用的滾動軸承故障模式識別方法也進行了分析。深入研究了滾動軸承振動信號時頻分析方法中的小波分析方法,主要包括小波變換、第二代小波包變換和雙樹復小波包變換。重點研究了雙樹復小波包變換的抑制頻帶混疊和平移不變性兩個特性。針對滾動軸承振動信號具有的非平穩(wěn)性和非線性特點,本文提出了基于改進的雙樹復小波包變換的滾動軸承故障特征提取方法。該方法是以雙樹復小波包變換為基礎,利用經驗模式分解和兩層能量比篩選的方法對其進行改進。通過仿真信號實驗對改進的雙樹復小波包變換在提取信號特征頻率方面的可行性和有效性進行了驗證。在基本極限學習機的基礎上重點研究在線極限學習機,在線極限學習機是對傳統(tǒng)極限學習機的改進算法,它能夠處理連續(xù)或者逐個到達網絡的數據。論文完成了對基于改進的雙樹復小波包變換的故障特征提取方法和基于在線極限學習機的模式識別方法兩部分的實驗驗證。將改進的雙樹復小波包變換方法以及在線極限學習機應用于實際滾動軸承振動信號的診斷,實驗結果表明,本文提出的改進的雙樹復小波包變換可以有效地提取振動信號故障特征,并且通過在線極限學習機能夠以較高的準確率對滾動軸承運行狀態(tài)進行識別。
【關鍵詞】：故障診斷 雙樹復小波包變換 能量比 奇異值分解 在線極限學習機
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH133.33
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 緒論10-24
• 1.1 課題背景及研究意義10-11
• 1.2 滾動軸承故障診斷方法及研究現(xiàn)狀11-15
• 1.2.1 滾動軸承故障診斷方法11-12
• 1.2.2 國外研究現(xiàn)狀12-14
• 1.2.3 國內研究現(xiàn)狀14-15
• 1.3 滾動軸承振動信號處理方法概述15-21
• 1.3.1 時域信號分析方法15-16
• 1.3.2 頻域信號分析方法16-18
• 1.3.3 時頻域信號分析方法18-21
• 1.4 機械故障類型識別方法21-22
• 1.4.1 基于神經網絡的模式識別方法21
• 1.4.2 基于支持向量機的模式識別方法21
• 1.4.3 基于聚類分析的模式識別方法21-22
• 1.4.4 基于極限學習機的模式識別方法22
• 1.5 主要研究內容及章節(jié)安排22-24
• 2 基于小波分析的滾動軸承振動信號處理方法24-40
• 2.1 引言24
• 2.2 小波變換及小波包變換24-29
• 2.2.1 多分辨率分析定義25-26
• 2.2.2 小波變換基本原理26-27
• 2.2.3 小波包變換基本原理27-29
• 2.3 小波包變換的改進算法29-32
• 2.3.1 第二代小波包變換基本原理29-30
• 2.3.2 雙樹復小波包變換基本原理30-32
• 2.4 雙樹復小波包的特性分析32-39
• 2.4.1 抑制頻帶混疊特性32-36
• 2.4.2 平移不變特性36-39
• 2.5 本章小結39-40
• 3 基于改進的DTCWPT的滾動軸承特征提取方法40-50
• 3.1 引言40
• 3.2 改進的雙樹復小波變換的基本原理40-42
• 3.3. 滾動軸承仿真信號實驗驗證42-48
• 3.4 本章小結48-50
• 4 基于在線極限學習機(OS-ELM)的模式識別方法50-60
• 4.1 引言50
• 4.2 單隱含層前饋神經網絡50-53
• 4.2.1 單隱含層前饋神經網絡基本概念50-51
• 4.2.2 單隱含層前饋神經網絡的學習算法51-53
• 4.3 極限學習機算法53-55
• 4.4 在線極限學習機55-58
• 4.5 本章小結58-60
• 5 滾動軸承故障特征提取和模式識別方法的實驗驗證60-70
• 5.1 引言60
• 5.2 滾動軸承實際振動信號介紹60-61
• 5.3 基于改進的DTCWPT特征提取方法實驗驗證61-66
• 5.4 基于在線極限學習機(OS-ELM)的模式識別方法實驗驗證66-69
• 5.5 本章小結69-70
• 6 總結與展望70-72
• 參考文獻72-76
• 作者簡歷及攻讀碩士學位期間取得的研究成果76-80
• 學位論文數據集80

【相似文獻】

中國期刊全文數據庫 前10條

1 王威;王海暉;楊麗萍;;基于小波包變換的多光譜圖像融合方法研究[J];計算機與數字工程;2007年01期

2 王淑娟,陳博,趙國良;基于小波包變換預處理的模擬電路故障診斷方法[J];電工技術學報;2003年04期

3 張小明,劉建敏,安鋼,喬新勇;基于小波包變換的柴油機燃油噴射系統(tǒng)故障診斷[J];內燃機工程;2004年02期

4 劉秀芳;徐洪州;龔磊;;小波包變換對遙測速變數據噪聲消除效果的改進[J];飛行器測控學報;2009年03期

5 胡戰(zhàn)虎,李言俊,楊亞軍;基于小波包變換的多尺度濾波[J];彈箭與制導學報;1999年03期

6 王建濤;孔德順;安敏;;基于小波包變換的信號降噪方法及轉向控制故障診斷[J];天津汽車;2008年09期

7 楊會成;費琛;王筱薇倩;楊惠;;小波包變換在智能循跡小車系統(tǒng)中的應用[J];重慶理工大學學報(自然科學);2012年10期

8 楊長林,許化龍,胡昌華,陳新海;基于小波包變換的故障診斷[J];西北工業(yè)大學學報;2000年03期

9 吳朝霞,程敬之;小波包變換在正電子發(fā)射斷層掃描儀圖像重建中的應用[J];西安交通大學學報;2001年12期

10 梁仙斌;蘇玉香;;基于小波及小波包變換的電網諧波檢測[J];江西電力;2010年06期

中國重要會議論文全文數據庫 前7條

1 潘

本文編號：327710