本文關鍵詞：基于層次非線性分析的滾動軸承故障診斷

  更多相關文章： 滾動軸承故障診斷 層次分解 遞歸量化分析 排列熵 層次非線性分析 支持向量機

【摘要】：滾動軸承是眾多機械設備的核心零部件之一,通過設備的振動信號監(jiān)測滾動軸承運行狀態(tài)并識別其潛在故障對確保設備的安全、高效運行具有重要意義,如何從振動信號中提取相關故障特征是該領域的熱點研究課題。本文通過一種新發(fā)展出的層次分解方法將信號分解到多個層次,再計算各層所有分解信號的非線性特征量以提取滾動軸承振動信號的層次非線性特征,并將其作為支持向量機的輸入以構建滾動軸承故障診斷系統(tǒng)。其主要內容如下： 首先,說明了層次非線性分析在滾動軸承故障特征提取方面的優(yōu)勢,即層次分解后的信號會表現(xiàn)一些區(qū)別于原始信號的性質,相對于單一非線性特征量而言,層次非線性特征量能提取信號中更為豐富的非線性動力學特征。因此,本文的基本研究思路是利用層次分解進行振動信號的多尺度分解,再結合非線性時間序列分析方法實現(xiàn)滾動軸承的故障特征提取。 其次,將遞歸量化分析與層次分解相結合得到了信號的層次遞歸量化分析,并應用其分析滾動軸承在典型狀態(tài)下的振動信號。分析結果表明,層次分解后的某些節(jié)點信號其遞歸圖出現(xiàn)了區(qū)別于原始信號遞歸圖的新特征；原始振動信號的遞歸特征量不能區(qū)分的某些故障類型卻能利用其分解后某些節(jié)點信號的遞歸特征量很好地區(qū)分,這表明層次分解確實能展現(xiàn)振動信號中更豐富的故障特征。將層次遞歸特征量作為故障特征輸入支持向量機以訓練故障分類器,并與傳統(tǒng)的遞歸特征量作為故障特征時的故障識別結果進行對比,結果顯示前者的平均識別率明顯高于后者。 最后,結合層次分解與排列熵算法進行振動信號的層次排列熵分析以提取滾動軸承故障特征。將層次排列熵、傳統(tǒng)的多尺度排列熵和單一尺度排列熵分別作為故障特征輸入支持向量機以構建故障識別系統(tǒng)。測試結果顯示,層次排列熵作為故障特征時的識別率最高,均達到100%；相對而言,多尺度排列熵作為故障特征時的識別率有所降低；而排列熵作為故障特征時的識別效果最差。這再次說明了層次非線性分析在滾動軸承故障特征提取方面的優(yōu)越性。
【關鍵詞】：滾動軸承故障診斷 層次分解 遞歸量化分析 排列熵 層次非線性分析 支持向量機
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH133.33;TH165.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-17
• 1.1 選題背景及意義9-10
• 1.2 滾動軸承故障診斷發(fā)展概況10-14
• 1.2.1 故障診斷系統(tǒng)的組成10-11
• 1.2.2 滾動軸承故障特征提取研究進展11-13
• 1.2.3 滾動軸承故障診斷中的模式識別方法13-14
• 1.3 多尺度非線性分析方法的應用14
• 1.4 論文的研究思路及章節(jié)安排14-17
• 2 非線性時間序列的遞歸量化分析和排列熵算法17-37
• 2.1 引言17
• 2.2 相空間重構理論與方法17-26
• 2.2.1 相空間軌跡與重構17-18
• 2.2.2 互信息法計算延遲時間18-19
• 2.2.3 Cao方法計算嵌入維數(shù)19-21
• 2.2.4 實例驗證21-26
• 2.3 遞歸圖及其量化分析26-34
• 2.3.1 遞歸圖的定義26-27
• 2.3.2 一些典型信號的遞歸圖27-30
• 2.3.3 遞歸圖中的基本模式30-31
• 2.3.4 遞歸量化分析31-34
• 2.4 排列熵算法34-36
• 2.4.1 排列熵的計算流程34-35
• 2.4.2 計算排列熵的一個簡單例子35-36
• 2.5 本章小結36-37
• 3 基于層次遞歸量化分析的滾動軸承故障分類37-59
• 3.1 引言37
• 3.2 滾動軸承故障實驗數(shù)據(jù)介紹37-38
• 3.3 滾動軸承振動信號的層次遞歸分析與特征提取38-51
• 3.3.1 層次分解與層次遞歸分析38-40
• 3.3.2 滾動軸承振動信號的層次遞歸圖分析40-48
• 3.3.3 基于層次遞歸量化分析的故障特征提取48-51
• 3.4 基于層次遞歸特征量和優(yōu)化SVM的故障分類51-58
• 3.4.1 支持向量機基本原理介紹51-53
• 3.4.2 基于粒子群優(yōu)化算法的參數(shù)尋優(yōu)53-55
• 3.4.3 故障診斷流程及分類結果55-58
• 3.5 本章小結58-59
• 4 基于層次排列熵算法的滾動軸承故障診斷59-68
• 4.1 引言59
• 4.2 Logistic混沌映射的排列熵分析59-61
• 4.3 故障數(shù)據(jù)集劃分61-62
• 4.4 基于層次排列熵和優(yōu)化SVM的滾動軸承故障診斷62-66
• 4.4.1 故障診斷流程62-63
• 4.4.2 故障識別結果分析63-66
• 4.5 本章小結66-68
• 結論68-70
• 參考文獻70-75
• 攻讀碩士學位期間發(fā)表學術論文情況75-76
• 致謝76-77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊志安，，王光瑞，陳式剛;用等間距分格子法計算互信息函數(shù)確定延遲時間[J];計算物理;1995年04期

2 鐘群鵬;張崢;有移亮;;我國安全生產(含安全制造)的科學發(fā)展若干問題[J];機械工程學報;2007年01期

3 陳予恕;;機械故障診斷的非線性動力學原理[J];機械工程學報;2007年01期

4 邵信光;楊慧中;陳剛;;基于粒子群優(yōu)化算法的支持向量機參數(shù)選擇及其應用[J];控制理論與應用;2006年05期

5 袁小芳;王耀南;;基于混沌優(yōu)化算法的支持向量機參數(shù)選取方法[J];控制與決策;2006年01期

6 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎研究“何去何從”[J];機械工程學報;2013年01期

7 何正嘉;曹宏瑞;訾艷陽;李兵;;機械設備運行可靠性評估的發(fā)展與思考[J];機械工程學報;2014年02期

8 肖楠;金寧德;;基于混沌吸引子形態(tài)特性的兩相流流型分類方法研究[J];物理學報;2007年09期

9 石林鎖;沈金偉;張亞洲;牛武澤;;基于AR模型和譜峭度法的滾動軸承故障診斷[J];振動與沖擊;2011年12期

10 彭暢;柏林;謝小亮;;基于EEMD、度量因子和快速峭度圖的滾動軸承故障診斷方法[J];振動與沖擊;2012年20期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 劉永斌;基于非線性信號分析的滾動軸承狀態(tài)監(jiān)測診斷研究[D];中國科學技術大學;2011年

2 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

本文編號：564211