本文關鍵詞：基于流形學習算法的滾動軸承故障識別研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：針對現(xiàn)代復雜機械設備在出現(xiàn)故障時所檢測到的振動信號具有明顯非線性和非平穩(wěn)的特性,本文以滾動軸承為研究對象,將流形學習方法中聚類性效果較好的拉普拉斯特征映射算法(Laplacian Eigenmap, LE)引入到滾動軸承故障診斷領域,對傳感器所采集到的振動加速度信號作為滾動軸承狀態(tài)識別的依據(jù),進行降噪、特征提取、構建高維特征空間以及狀態(tài)識別。從高維數(shù)據(jù)點特征保持的角度不同進行研究,把目前的主要流形學習方法分為局部和全局特性保持方法兩類,通過對經(jīng)典非線性高維卷曲數(shù)據(jù)集Swiss Roll和帶有“空洞”缺陷的Swiss Hole進行研究,不同的保持方法得到不同的降維結(jié)果,從二維圖結(jié)果分析中可發(fā)現(xiàn)：重點強調(diào)保持近鄰關系的拉普拉斯特征映射LE算法對于同類樣本具有非常好的聚類效果,非常適用于故障樣本的分類識別。把仿真滾動軸承故障的非線性信號提取和轉(zhuǎn)換得到的時域特征量與經(jīng)小波包分解得到的頻帶能量比作為特征量構建出高維特征空間,利用LE算法的對高維特征空間中同類樣本聚類的優(yōu)點,對正常與故障兩類樣本進行分類識別,通過與主元分析法PCA和多維尺度分析MDS兩種方法對比,結(jié)果表明LE方法在實現(xiàn)特征提取和降維結(jié)果進行樣本分類具有一定的有效性和優(yōu)越性。為了更進一步證明LE算法在滾動軸承故障識別中的有效性,通過對滾動軸承的四種不同故障類型、滾動體上四種不同受損程度狀況下的故障實測數(shù)據(jù),進行兩組故障樣本分類識別實驗驗證。對提取出來的低維結(jié)果使用三維可視化的方式直觀地表示,并使用模式聚類識別中的類內(nèi)聚Sw、類間距Sb以及不同樣本平均識別率共三個參數(shù)作為評價指標,通過與PCA和MDS兩種方法得到的結(jié)果比較,證明LE降維結(jié)果具有聚類性好、類間距小以及樣本識別率高等優(yōu)點,可以有效地應用于滾動軸承故障識別中。為了進一步證明LE方法的應用適用性,使用第一組滾動軸承不同故障位置類型識別實驗中的樣本作為訓練樣本,再選取兩類狀態(tài)樣本各50組作為測試樣本,進行驗證,實現(xiàn)了較好的預期效果,同類故障的測試樣本很好的聚集在了同類樣本的訓練樣本處,而新樣本則單獨聚集于一處新的位置。
【關鍵詞】：滾動軸承 故障診斷 信號處理與特征提取 構建高維特征空間 流形學習 拉普拉斯特征映射
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH133.33
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 緒論9-21
• 1.1 研究背景及意義9-12
• 1.2 機械故障診斷國內(nèi)外研究現(xiàn)狀12-15
• 1.3 非線性降維方法在故障診斷中的研究現(xiàn)狀15-16
• 1.4 本文主要內(nèi)容與結(jié)構安排16-18
• 1.5 本文主要創(chuàng)新點18-21
• 第二章 滾動軸承分析與實驗設計21-37
• 2.1 引言21-22
• 2.2 研究對象分析22-30
• 2.2.1 滾動軸承動力學分析22-25
• 2.2.2 滾動軸承的主要失效形式25-27
• 2.2.3 滾動軸承振動特征頻率27-29
• 2.2.4 實驗對象與方案設計29-30
• 2.3 振動信號分析30-35
• 2.3.1 小波包降噪31-32
• 2.3.2 特征提取和構建特征空間32-35
• 2.4 本章小結(jié)35-37
• 第三章 傳統(tǒng)降維方法37-43
• 3.1 概述37-38
• 3.2 主元分析法PCA38-40
• 3.3 線性鑒別分析方法LDA40
• 3.4 多維尺度分析MDS40-42
• 3.5 本章小結(jié)42-43
• 第四章 流形學習方法43-61
• 4.1 引言43-44
• 4.2 流形學習44-46
• 4.2.1 流形的概念44-45
• 4.2.2 流形學習描述45-46
• 4.3 流形學習方法分類與介紹46-55
• 4.3.1 全局特性保持方法47-49
• 4.3.2 局部特性保持方法49-53
• 4.3.3 流形學習方法的案例分析53-55
• 4.4 流形學習的主要應用55-57
• 4.5 流形學習在機械故障診斷中應用57-58
• 4.6 本章小結(jié)58-61
• 第五章 基于LE算法的滾動軸承故障識別61-81
• 5.1 高維流形案例分析62-64
• 5.2 滾動軸承仿真信號分析64-67
• 5.3 基于LE算法的滾動軸承故障識別67-77
• 5.3.1 滾動軸承故障類型識別68-73
• 5.3.2 滾動軸承滾動體故障不同受損情況故障識別73-77
• 5.4 測試樣本進行驗證77-78
• 5.5 本章小結(jié)78-81
• 第六章 總結(jié)與展望81-83
• 6.1 全文總結(jié)81-82
• 6.2 展望82-83
• 參考文獻83-89
• 致謝89-91
• 攻讀碩士學位期間發(fā)表學術論文及項目支持91

【引證文獻】

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 蔣全勝;賈民平;胡建中;許飛云;;一種基于流形學習的故障模式識別方法[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

  本文關鍵詞：基于流形學習算法的滾動軸承故障識別研究，由筆耕文化傳播整理發(fā)布。

本文編號：313368