本文關鍵詞：滾動軸承退化狀態(tài)識別技術(shù)研究

  更多相關文章： 滾動軸承 故障特征提取 集合經(jīng)驗模態(tài)分解 支持向量機 退化

【摘要】：作為旋轉(zhuǎn)機械中使用最普遍的關鍵組件—滾動軸承,其狀況對它所支撐的轉(zhuǎn)子甚至整臺設備的正常運轉(zhuǎn)具有重要的影響作用。滾動軸承故障的發(fā)展具有一個由輕微到嚴重的變化過程,準確及時地識別出運行過程中滾動軸承的退化狀態(tài),可以合理指導制定性能檢查和替換維護計劃,對提高整個機械設備運行的可靠性具有重要的意義。本論文中采用改進的集合經(jīng)驗模態(tài)分解(EEMD)和支持向量機(SVM)相結(jié)合的方法進行滾動軸承的退化狀態(tài)識別。EEMD法能將信號自適應地分解到不同的尺度上,特別適合對于非穩(wěn)定、非線性的信號進行處理。本文采用的改進EEMD法根據(jù)分解過程中信號和加入的白噪聲的特點來選擇EEMD的參數(shù),這避免了傳統(tǒng)EEMD法的根據(jù)經(jīng)驗人為選取參數(shù),分解結(jié)果不夠準確問題。之后對分解后所得到的的固有模態(tài)函數(shù)(IMF)分量進行閾值處理后再重構(gòu),以降低噪聲的干擾。對重構(gòu)后的信號再進行包絡譜分析,提取其故障特征,以確定滾動軸承發(fā)生故障的具體位置。準確地評估滾動軸承退化狀態(tài)的關鍵問題是如何在有限的狀態(tài)數(shù)據(jù)下建立合適的模型。而SVM正是一種解決小樣本分類與預測的機器學習算法,該算法是建立在結(jié)構(gòu)風險最小化原理和統(tǒng)計學習理論的VC維理論基礎之上的,依據(jù)有限的數(shù)據(jù)樣本在學習能力和模型的復雜性之間尋求最佳折衷,從而可以獲得較好的分類識別準確率。本文在EEMD分解提取故障特征的基礎上,根據(jù)不同故障類型通過GA和SVM來提取滾動軸承的退化狀態(tài)識別特征,利用滾動軸承退化狀態(tài)概率分布以及歷史剩余壽命來確定其最優(yōu)退化狀態(tài)數(shù)目建立退化狀態(tài)識別模型。最后用不同退化狀態(tài)的測試數(shù)據(jù)作為特征和參數(shù)經(jīng)過GA優(yōu)化過的SVM的輸入向量進行滾動軸承退化狀態(tài)的識別分類。經(jīng)實際軸承故障數(shù)據(jù)驗證表明,該方法可以實現(xiàn)滾動軸承退化狀態(tài)的準確識別。
【關鍵詞】：滾動軸承 故障特征提取 集合經(jīng)驗模態(tài)分解 支持向量機 退化
【學位授予單位】：沈陽理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-20
• 1.1 研究背景11-12
• 1.2 研究目的和意義12-13
• 1.3 故障預測和健康管理(PHM)技術(shù)的發(fā)展過程和研究現(xiàn)狀13-19
• 1.3.1 PHM技術(shù)的演化過程13-15
• 1.3.2 PHM的研究現(xiàn)狀15-17
• 1.3.3 故障預測中故障特征提取技術(shù)的研究現(xiàn)狀17-18
• 1.3.4 故障預測中退化狀態(tài)識別技術(shù)的研究現(xiàn)狀18-19
• 1.4 論文主要研究內(nèi)容19
• 1.5 小結(jié)19-20
• 第2章 滾動軸承故障機理及退化狀態(tài)識別基本理論20-33
• 2.1 滾動軸承的振動機理及失效形式20-24
• 2.1.1 滾動軸承的振動機理20-23
• 2.1.2 滾動軸承的失效形式23-24
• 2.2 滾動軸承的故障診斷的方法24-26
• 2.3 滾動軸承的故障特征提取技術(shù)26-28
• 2.3.1 時域分析方法26
• 2.3.2 頻域分析方法26-27
• 2.3.3 時頻分析方法27-28
• 2.4 滾動軸承的退化狀態(tài)識別技術(shù)28-32
• 2.4.1 人工神經(jīng)網(wǎng)絡技術(shù)29-31
• 2.4.2 支持向量機技術(shù)31-32
• 2.5 小結(jié)32-33
• 第3章 基于HHT的滾動軸承故障特征提取33-42
• 3.1 EEMD基本理論33-38
• 3.1.1 固有模態(tài)函數(shù)和經(jīng)驗模式分解33-35
• 3.1.2 Hilbert時頻譜和邊際譜35-36
• 3.1.3 EEMD法的提出過程36-37
• 3.1.4 EEMD法的原理及其算法實現(xiàn)37-38
• 3.2 改進的EEMD法38-40
• 3.2.1 EEMD的參數(shù)優(yōu)化38-39
• 3.2.2 固有模態(tài)函數(shù)重構(gòu)及包絡譜分析39-40
• 3.3 小結(jié)40-42
• 第4章 基于SVM的滾動軸承退化狀態(tài)識別42-55
• 4.1 統(tǒng)計學習理論基礎及SVM模型理論42-48
• 4.1.1 統(tǒng)計學習基本理論42-44
• 4.1.2 支持向量機模型理論44-47
• 4.1.3 支持向量機的核函數(shù)47-48
• 4.2 基于GA的SVM參數(shù)優(yōu)化48-52
• 4.2.1 遺傳算法(GA)基本理論48-49
• 4.2.2 遺傳算法的特點和應用49-50
• 4.2.3 用GA對SVM進行特征選擇和參數(shù)優(yōu)化50-52
• 4.3 退化狀態(tài)離散化52-54
• 4.4 小結(jié)54-55
• 第5章 實驗驗證55-68
• 5.1 軸承加速度實驗分析55-62
• 5.1.1 EEMD在滾動軸承故障特征提取中的應用55-58
• 5.1.2 SVM在滾動軸承退化狀態(tài)識別中的應用58-62
• 5.2 軸承破壞性實驗分析62-66
• 5.2.1 EEMD在滾動軸承故障特征提取中的應用62-66
• 5.3 小結(jié)66-68
• 結(jié)論68-69
• 參考文獻69-74
• 攻讀碩士學位期間發(fā)表的論文和取得的科研成果74-75
• 致謝75-76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 曾慶虎;邱靜;劉冠軍;譚曉棟;;基于小波特征尺度熵-隱半馬爾可夫模型的設備退化狀態(tài)識別方法及應用[J];兵工學報;2008年02期

2 曾慶虎;邱靜;劉冠軍;苗強;;基于KPCA-HSMM設備退化狀態(tài)識別方法的研究[J];兵工學報;2009年06期

3 ;[J];;年期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 曾慶虎;機械傳動系統(tǒng)關鍵零部件故障預測技術(shù)研究[D];國防科學技術(shù)大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 王明華;滾動軸承退化狀態(tài)識別技術(shù)研究[D];沈陽理工大學;2015年

2 原媛;基于HMM的退化狀態(tài)識別和故障預測研究[D];太原科技大學;2014年

，

本文編號：553973