基于支持向量机的滚动轴承故障智能诊断研究

发布时间：2017-04-14 12:07

  本文关键词：基于支持向量机的滚动轴承故障智能诊断研究，由笔耕文化传播整理发布。

【摘要】：滚动轴承是机械设备中最重要的零件之一，同时它的故障发生率很高，轴承工作状态的好坏影响着整台设备甚至整条生产线的运行情况。因此，对滚动轴承进行故障诊断研究有很大的必要性和重要现实的意义。 本文以滚动轴承为研究对象,分析了滚动轴承的基本结构和失效形式，然后系统的研究了轴承的故障机理和振动特征。根据滚动轴承的故障信号的特点,本文利用加速度传感器采集振动信号，对滚动轴承的四种工作状态：正常运行、内圈故障、外圈故障和滚动体故障分别进行了振动信号的采集。 由于传统故障诊断需要大量的数据样本，但是现实测试中数据样本不容易获取，这给故障诊断带来很大的难度。所以本文针对有限数据样本情况下的诊断特点，把支持向量机引入到故障诊断中,为故障智能诊断提供了一种新的研究方法。本文采用理论研究和计算机仿真相结合的研究方法，首先用传感器采集轴承的振动信号，，然后利用小波阀值法对滚动轴承振动信号进行小波降噪处理，去除信号中的干扰信号。接着利用小波包技术提取降噪后信号的频带能量，最后将小波包分析得到的频带能量构成的特征集作为支持向量机的输入向量，利用支持向量机智能分类判断轴承工作状态。 本文的计算机分析都是采用MATLAB软件进行仿真，最终的实验仿真结果表明该方法对滚动轴承的小样本故障诊断有很高的分类识别能力。
【关键词】：滚动轴承 故障诊断 支持向量机
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-17
• 1.1 课题的目的和意义11
• 1.2 课题的来源及选题的依据11
• 1.3 国内外的研究动态和目前水平11-14
• 1.4 开展研究工作的设想、突破、最终目标以及达到的水平14-15
• 1.4.1 开展研究工作的设想14
• 1.4.2 课题达到的水平14
• 1.4.3 课题最终目标14-15
• 1.5 本文的研究内容和结构安排15-17
• 1.5.1 研究内容15-16
• 1.5.2 结构安排16-17
• 第二章 滚动轴承的振动机理和故障特征17-23
• 2.1 滚动轴承的基本结构与种类17-18
• 2.2 滚动轴承失效和破坏形式18-19
• 2.2.1 滚动接触表面点蚀或压痕造成的早期失效18
• 2.2.2 磨损18
• 2.2.3 保持架断裂18
• 2.2.4 表面初始疲劳18-19
• 2.3 滚动轴承的振动机理和故障频率特征19-21
• 2.3.1 滚动轴承振动机理19
• 2.3.2 滚动轴承的固有频率和故障特征频率19-21
• 2.4 轴承振动信号特征21
• 2.4.1 正常工作情况下的轴承振动信号特征21
• 2.4.2 轴承故障振动信号特征21
• 2.5 轴承对机器振动的影响21
• 2.6 机器中失效轴承的识别21-22
• 2.7 本章小结22-23
• 第三章 滚动轴承的降噪与小波包能量提取分析23-36
• 3.1 小波分析23-24
• 3.2 滚动轴承振动信号的小波降噪24-26
• 3.2.1 小波分析用于降噪的过程24-25
• 3.2.2 基本降噪模型25-26
• 3.3 小波包变换26-28
• 3.4 小波包频带能量提取28
• 3.4.1 能量特征提取28
• 3.4.2 三层小波包分解能量特征的提取步骤28
• 3.5 滚动轴承振动信号的降噪与小波包频带能量特征提取仿真28-35
• 3.5.1 实验装置简介28-30
• 3.5.2 小波降噪实验仿真30-32
• 3.5.3 小波包频带能量特征提取32-35
• 3.6 本章小结35-36
• 第四章 基于支持向量机的故障识别36-51
• 4.1 统计学习理论36-40
• 4.1.1 学习机器模型36
• 4.1.2 三类机器学习问题36-37
• 4.1.3 经验风险最小化原则37
• 4.1.4 VC 维37-38
• 4.1.5 推广性的界38-39
• 4.1.6 结构风险最小化原则39-40
• 4.2 支持向量机40-47
• 4.2.1 线性支持向量机41-42
• 4.2.2 非线性支持向量机42-44
• 4.2.3 支持向量机的多类算法44-47
• 4.3 实验仿真研究47-50
• 4.4 本章小结50-51
• 第五章 结论51-52
• 5.1 结论51
• 5.2 研究工作的展望51-52
• 参考文献52-55
• 在学研究成果55-56
• 致谢56

【参考文献】

中国期刊全文数据库 前10条

1 程军圣;史美丽;杨宇;杨丽湘;;A Roller Bearing Fault Diagnosis Method Based on Improved LMD and SVM[J];Journal of Measurement Science and Instrumentation;2011年01期

2 张亚洲;石林锁;秦亮;;基于谱峭度法和自适应遗传算法的轴承故障诊断[J];轴承;2010年03期

3 张勇;纪国宜;;基于混沌振子和小波理论的轴承故障诊断方法[J];轴承;2010年05期

4 安学利;蒋东翔;陈杰;刘超;;基于ITD和LS-SVM的风力发电机组轴承故障诊断[J];电力自动化设备;2011年09期

5 安学利;蒋东翔;李少华;;基于决策融合的直驱风力发电机组轴承故障诊断[J];电网技术;2011年07期

6 杨正友;彭涛;李健宝;钟云飞;;基于贝叶斯推断LSSVM的滚动轴承故障诊断[J];电子测量与仪器学报;2010年05期

7 李中原;韩捷;李志农;;双谱分析及其在滚动轴承故障诊断中的应用[J];中国工程机械学报;2005年03期

8 万书亭;吕路勇;;基于小波包和细化包络分析的滚动轴承故障诊断方法研究[J];中国工程机械学报;2008年03期

9 王太勇;何慧龙;王国锋;冷永刚;胥永刚;李强;;基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断[J];机械工程学报;2007年04期

10 于湘涛;褚福磊;郝如江;;基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法[J];机械工程学报;2009年07期

中国博士学位论文全文数据库 前3条

1 王源;不确定非线性系统的神经网络自适应重构控制[D];南京航空航天大学;2002年

2 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

3 何学文;基于支持向量机的故障智能诊断理论与方法研究[D];中南大学;2004年

中国硕士学位论文全文数据库 前5条

1 谢芳芳;基于支持向量机的故障诊断方法[D];湖南大学;2006年

2 陈兴辉;基于小波与支持向量机的滚动轴承故障诊断[D];太原理工大学;2006年

3 邹义;基于支持向量机的船用柴油机故障诊断研究[D];上海海事大学;2006年

4 王亮;基于DSP的滚动轴承故障诊断系统研究[D];大连理工大学;2008年

5 于婷婷;基于BP神经网络的滚动轴承故障诊断方法[D];大连理工大学;2008年

  本文关键词：基于支持向量机的滚动轴承故障智能诊断研究，由笔耕文化传播整理发布。

本文编号：305947