軸承作為機(jī)械設(shè)備中重要的零部件,也是機(jī)械設(shè)備中故障多發(fā)零部件。因此對(duì)軸承故障狀態(tài)的早期診斷具有較大的理論研究價(jià)值和實(shí)際應(yīng)用意義。論文以軸承故障診斷為目的,主要對(duì)故障診斷中軸承故障信息特征提取和故障識(shí)別兩個(gè)部分進(jìn)行深入分析和研究,主要工作如下:(1)首先分析了軸承的物理結(jié)構(gòu)、故障機(jī)理、頻率特性,以及常見的處理非穩(wěn)態(tài)信號(hào)的時(shí)頻分析方法。(2)其次針對(duì)軸承故障振動(dòng)信號(hào)的非平穩(wěn)態(tài)特性,引入改進(jìn)的自適應(yīng)白噪聲的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)進(jìn)行電機(jī)滾動(dòng)軸承故障信息的特征提取。在分解的每一個(gè)階段自適應(yīng)加入白噪聲序列,通過計(jì)算唯一的余量信號(hào)來得到各個(gè)固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量,改進(jìn)了集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)中模態(tài)混疊現(xiàn)象和分解后重構(gòu)信號(hào)的完備性。通過數(shù)模信號(hào)和實(shí)測信號(hào)的算法仿真,從算法分解的完備性、正交性等幾個(gè)指標(biāo)與EMD和EEMD進(jìn)行對(duì)比分析,驗(yàn)證了CEEMDAN分解方法的優(yōu)越性。同時(shí)根據(jù)軸承信號(hào)的振動(dòng)特性,利用CEEMDAN分解得到的各個(gè)IMF能量值,組成電機(jī)滾動(dòng)軸承診斷的特征數(shù)據(jù)集。(3)最后根據(jù)統(tǒng)計(jì)學(xué)理論知識(shí),對(duì)提取到的特征數(shù)據(jù)進(jìn)行挖掘分析。結(jié)合支持向量機(jī)(Support Vector Machine,SVM)分類原理,采用灰狼優(yōu)化算法(Grey Wolf Optimization,GWO)對(duì)支持向量機(jī)的懲罰因子參數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化。利用構(gòu)建好的支持向量機(jī)網(wǎng)絡(luò)對(duì)處理好的軸承故障特征數(shù)據(jù)進(jìn)行訓(xùn)練,對(duì)未知狀態(tài)信號(hào)特征進(jìn)行分類預(yù)測。通過對(duì)電機(jī)滾動(dòng)軸承故障實(shí)測數(shù)據(jù)進(jìn)行仿真分析,基于CEEMDAN-SVM的預(yù)測組合模型在識(shí)別準(zhǔn)確率上優(yōu)于EEMD-SVM,表明在同樣的識(shí)別網(wǎng)絡(luò)下,CEEMDAN算法特征提取方法優(yōu)于EEMD。基于CEEMDAN-GWO-SVM的預(yù)測組合模型在識(shí)別準(zhǔn)確率和效率都優(yōu)于CEEMDAN-SVM,表明在同樣的特征提取條件下,GWO優(yōu)化SVM后網(wǎng)絡(luò)分類識(shí)別效果更佳。驗(yàn)證了本文提出的基于CEEMDAN-GWO-SVM混合故障診斷模式具有更好可行性和高效性。
【學(xué)位單位】：南華大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TM0
【部分圖文】：

故障機(jī)理是通過大量文獻(xiàn)資料查閱和試統(tǒng)參數(shù)之間的關(guān)系，以此來作為故障診（2）電機(jī)滾動(dòng)軸承狀態(tài)信息的特征提取特征提取是指如何從狀態(tài)信息中捕捉到對(duì)特征信息進(jìn)行進(jìn)一步分析和處理。為靠的特征成分，對(duì)采集的技術(shù)方法和設(shè)征提取方法有傳統(tǒng)信號(hào)處理方法、幾何（3）電機(jī)滾動(dòng)軸承的故障狀態(tài)識(shí)別和決故障狀態(tài)識(shí)別是指根據(jù)所提取到的特征態(tài)模式，預(yù)測發(fā)展趨勢，并作出相應(yīng)的診相應(yīng)的診斷決策。電機(jī)滾動(dòng)軸承故障診斷流程見圖 1.1。

先要對(duì)電機(jī)滾動(dòng)軸承的物理結(jié)構(gòu)和故障模式進(jìn)行分析。2.1 電機(jī)滾動(dòng)軸承的種類和結(jié)構(gòu)在實(shí)際生產(chǎn)生活各個(gè)領(lǐng)域當(dāng)中，軸承的種類不盡相同，常見的有球軸承、滾動(dòng)軸承、止推軸承、向心軸承等，其中滾動(dòng)軸承是當(dāng)中應(yīng)用最為廣泛的一種[37]。滾動(dòng)軸承主要的部分有滾動(dòng)體、內(nèi)圈、外圈和保持架，滾動(dòng)體處在內(nèi)圈和外圈之間，主要起到潤滑滾動(dòng)的作用，內(nèi)圈同轉(zhuǎn)子相互配合起到旋轉(zhuǎn)作用，外圈同軸承座相互配合起支撐作用。軸承主要是當(dāng)作支持旋轉(zhuǎn)機(jī)械的軸，一定程度上減少軸同支撐部件間的損傷摩擦，假若電機(jī)缺少了軸承來作為支持，是很難正常工作運(yùn)轉(zhuǎn)的，所以軸承是旋轉(zhuǎn)機(jī)械器件中較為重要的組成部分。圖 2.1 顯示的是常見的三種滾動(dòng)軸承。 圖 2.2 給出了電機(jī)滾動(dòng)軸承結(jié)構(gòu)示意圖。表 2.1 對(duì)軸承幾何參數(shù)進(jìn)行了簡要說明。

圖 2.2 電機(jī)滾動(dòng)軸承結(jié)構(gòu)示意圖表 2.1 軸承幾何參數(shù)說明物理量 物理名稱d 滾動(dòng)體直徑：滾動(dòng)體平均直徑D 軸承節(jié)徑：滾動(dòng)體所在圓的直徑a接觸角：滾動(dòng)體受力方向與內(nèi)、外滾動(dòng)體垂線之間的夾角1r 內(nèi)圈滾道半徑2r 外圈滾道半徑z 滾動(dòng)體個(gè)數(shù)2 電機(jī)滾動(dòng)軸承的常見的故障形式在電機(jī)滾動(dòng)軸承運(yùn)行過程中，受到自身材料以及外部工作環(huán)境的影響，

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 楊良斌;;數(shù)據(jù)挖掘領(lǐng)域研究現(xiàn)狀與趨勢的可視化分析[J];圖書情報(bào)工作;2015年S2期

2 程軍圣;馬興偉;楊宇;;基于ICA相關(guān)系數(shù)和VPMCD的滾動(dòng)軸承故障診斷[J];振動(dòng).測試與診斷;2015年04期

3 隋文濤;張丹;Wilson Wang;;基于EMD和MKD的滾動(dòng)軸承故障診斷方法[J];振動(dòng)與沖擊;2015年09期

4 楊宇;潘海洋;李杰;程軍圣;;基于Kriging函數(shù)的KVPMCD在滾動(dòng)軸承故障診斷中的應(yīng)用[J];中國機(jī)械工程;2014年16期

5 趙海峰;楊國斌;;基于振動(dòng)信號(hào)的深溝球軸承滾動(dòng)體故障診斷研究[J];化工機(jī)械;2014年03期

6 張俊紅;李林潔;馬文朋;李周裕;劉昱;;EMD-ICA聯(lián)合降噪在滾動(dòng)軸承故障診斷中的應(yīng)用[J];中國機(jī)械工程;2013年11期

7 王金福;李富才;;機(jī)械故障診斷的信號(hào)處理方法:頻域分析[J];噪聲與振動(dòng)控制;2013年01期

8 范會(huì)敏;王浩;;模式識(shí)別方法概述[J];電子設(shè)計(jì)工程;2012年19期

相關(guān)博士學(xué)位論文 前3條

1 甘萌;信號(hào)的稀疏表達(dá)在滾動(dòng)軸承故障特征提取及智能診斷中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

2 武哲;旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法及其應(yīng)用研究[D];北京交通大學(xué);2016年

3 謝波;油紙絕緣氣隙放電產(chǎn)氣和能量變化特性及信號(hào)能量熵特征研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前6條

1 趙懷山;基于時(shí)頻分析的滾動(dòng)軸承故障診斷方法研究[D];西安理工大學(xué);2017年

2 蒲子璽;基于VMD的滾動(dòng)軸承故障診斷研究[D];蘭州交通大學(xué);2017年

3 張偉;基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D];哈爾濱工業(yè)大學(xué);2017年

4 徐光耀;SVM中相關(guān)參數(shù)選擇與應(yīng)用研究[D];山東科技大學(xué);2017年

5 許佩佩;基于EMD和SVM的滾動(dòng)軸承故障診斷研究[D];中南大學(xué);2013年

6 周玖玖;入侵檢測中支持向量機(jī)參數(shù)選擇方法研究[D];中南大學(xué);2012年

本文編號(hào)：2811111