基于音频信号的滚动轴承智能故障诊断方法研究

发布时间：2023-06-04 04:33

　　本文以滚动轴承音频信号的故障诊断为研究对象。在对国内外研究现状进行深入分析的基础上,提出了基于小波包分析与倒谱域分析的DWT-LPCC与DWT-MFCC新特征参数,并给出一种基于神经网络和D-S证据理论相结合的信息融合故障诊断方法,并进行了基于音频信号的轴承故障诊断仿真实验。 首先分析了轴承故障诊断的研究意义和现状。回顾了传统的轴承故障诊断的方法以及其优缺点,说明在日趋复杂的机械系统中急需新的轴承故障诊断方法的研究和应用。 然后,使用小波包理论分析各类型滚动轴承音频信号的不同频带的信号特征,利用小波包分解的信号能量系数改进了传统的MFCC与LPCC的特征向量,并用仿真实验证明了新特征参数DWT-LPCC与DWT-MFCC的有效性。 其次,从神经元结构模型入手,详细的分析了神经网络结构和函数映射、BP神经网络的特点。利用MATLAB软件进行了子神经网络故障诊断的仿真实验。从D-S证据理论的基本概念和合成规则入手,分析了证据理论应用于信息融合的有效性。 最后,本文设计了一个基于神经网络和D-S证据理论的信息融合故障诊断方法,从待诊断系统的所获信息的特点入手,划分出两个故障特征征兆域,设计两...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 滚动轴承故障诊断的研究意义
    1.2 滚动轴承故障诊断的研究现状
        1.2.1 滚动轴承故障诊断的发展阶段
        1.2.2 轴承故障诊断的常用的技术
        1.2.3 滚动轴承故障诊断的研究趋势
    1.3 论文工作及结构
        1.3.1 主要工作
        1.3.2 论文结构
第二章 滚动轴承的故障及其音频信号的特征参数提取
    2.1 滚动轴承的故障特点及类型
    2.2 滚动轴承故障音频信号的特征参数提取
        2.2.1 音频信号的采样
        2.2.2 预处理
        2.2.3 特征参数的提取
            2.2.3.1 LPCC特征参数的提取
            2.2.3.2 MFCC特征参数的提取
    2.3 引入小波分析的特征参数提取方法
        2.3.1 离散小波变换的原理
        2.3.2 音频信号的小波包分析
        2.3.3 对轴承故障音频信号分析的小波基选择
        2.3.4 基于小波包分析的音频信号特征参数提取
    2.4 DWT-MFCC与DWT-LPCC混合特征参数
    2.5 本章小结
第三章 基于BP神经网络的轴承故障诊断方法
    3.1 BP神经网络轴承故障诊断方法的原理
        3.1.1 BP网络的结构
        3.1.2 BP神经网络学习训练算法
    3.2 自适应学习与修正权值的BP算法
        3.2.1 采用自适应学习率的BP算法
        3.2.2 增加动量因子修正权值的BP算法
    3.3 传统的BP算法与自适应学习的BP算法的性能比较
    3.4 实验仿真及结果
    3.5 本章小结
第四章 DS-BP滚动轴承故障诊断方法
    4.1 D-S证据理论概述
    4.2 滚动轴承故障诊断的D-S推导过程
        4.2.1 证据理论的基本概念与公式
        4.2.2 证据组合规则
        4.2.3 基于基本概率赋值的决策
    4.3 利用D-S证据理论改进的BP神经网络诊断方法
    4.4 证据理论的示例分析
    4.5 基于音频信号的DS-BP滚动轴承故障诊断仿真及仿真结果分析
        4.5.1 基于音频信号的DS-BP滚动轴承故障诊断仿真实验
        4.5.2 BP神经网络法和D-S理论改进的神经网络法对比分析
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间主要的研究成果



本文编号：3830698