發(fā)布時間：2020-07-18 21:39

【摘要】：旋轉(zhuǎn)機械在運行過程中,滾動軸承作為易損傷部件,極易發(fā)生故障。因此,對滾動軸承故障診斷的研究十分重要。論文在分析滾動軸承故障的研究現(xiàn)狀基礎(chǔ)上,針對振動信號分解、信號分量的篩選和特征向量矩陣的構(gòu)建、以及分類識別等三個方面進行研究,提出一種基于局部均值分解(Local mean decomposition,LMD)樣本熵(Sample Entropy,SampEn,SE)及參數(shù)遷移學習的滾動軸承故障診斷方法。首先,分析了經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)方法的特點,指出其具有端點效應及頻率混疊現(xiàn)象等缺陷。由此引出基于LMD的振動信號特征提取方法,LMD方法將振動信號自適應地分解為多個具有物理意義的乘積函數(shù)(product function,PF)分量之和,減小了端點效應對分解準確性的影響,同時克服了對每個信號都要進行希伯特分解的弊端,使分解具有更好的適應性和準確性。對相同信號分別使用EMD和LMD進行分解,分解結(jié)果的時頻特性表明,LMD方法可以更好的抑制端點效應和頻率混疊現(xiàn)象。然后,采用斯皮爾曼相關(guān)系數(shù)對LMD分解振動信號后得到的各PF分量進行篩選,篩選出足以表征原信號特征的分量,并提取其樣本熵構(gòu)成特征矩陣來突出表征原振動信號中的故障信息,為軸承故障分類識別提供特征向量。接下來,通過分析傳統(tǒng)機器學習對特征信號進行分類識別時的局限性,提出一種基于參數(shù)遷移學習的特征信號分類識別新方法。通過規(guī)定源域和目標域,對源域和目標域進行分析構(gòu)造映射函數(shù),然后對源域和目標域特征向量進行遷移映射得到目標域的重映射,最后對目標域參數(shù)進行分類識別。通過仿真實驗對比分析表明,基于參數(shù)遷移學習的故障識別方法具有更好的準確性。最后,對本文提出的方法進行實驗驗證及實際應用。首先采用美國凱斯西儲大學(Case Western Reserve University,CWRU)的滾動軸承故障信號,采用本方法和SVM方法分別對軸承不同位置故障和同位置不同程度故障進行對比診斷,證明了本方法的有效性和優(yōu)越性。然后將本文方法應用在上海寶鋼實際采集的數(shù)據(jù)分析中,取得了良好的診斷效果。
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.3
【圖文】：

第 5 章 滾動軸承故障診斷實驗采用來自 CWUR 公開的試驗平臺數(shù)據(jù)進行實驗，然后將本文際采集的數(shù)據(jù)分析中。模擬滾動軸承故障數(shù)據(jù)采集平臺所公開的振動數(shù)據(jù)在滾動軸承其廣泛的應用，本文選取一根滾動軸承篩選后的特征向量數(shù)的振動信號作為仿真實驗數(shù)據(jù)。首先對滾動軸承的振動信號，計算分解得到的各個分量的斯皮爾曼相關(guān)系數(shù)，根據(jù)斯皮爾足以表征分解信號的 PF 分量個數(shù)。然后對篩選出的各 PF 分參量矩陣來表征各 PF 分量。最后把特征參量進行基于參數(shù)遷比對分類，驗證本文提出方法的可行性和優(yōu)越性。承故障診斷實驗仿真數(shù)據(jù)來源介紹stern Reserve University 的實驗模擬平臺如圖 5-1 所示。

【相似文獻】

相關(guān)期刊論文 前10條

1 屈強;尉寶元;;197726型滾動軸承故障產(chǎn)生原因及對策[J];京鐵科技通訊(太原刊);2002年01期

2 賀天成;范云鵬;寧中赫;;利用包絡解調(diào)技術(shù)分析診斷滾動軸承故障[J];冶金動力;2020年01期

3 聶海燕;;滾動軸承故障診斷方法綜述[J];內(nèi)燃機與配件;2019年23期

4 陳松;陳立愛;;經(jīng)驗模態(tài)分解和神經(jīng)網(wǎng)絡在滾動軸承故障診斷中應用研究[J];安徽建筑大學學報;2016年04期

5 倪安福;;基于包絡譜分析的滾動軸承故障診斷方法研究[J];煤礦機械;2017年02期

6 秦波;孫國棟;陳帥;王祖達;王建國;;排列熵與核極限學習機在滾動軸承故障診斷中的應用[J];組合機床與自動化加工技術(shù);2017年02期

7 李衛(wèi);;非平穩(wěn)工況的滾動軸承故障特征研究新方法[J];機械設(shè)計與研究;2017年01期

8 汪治安;夏均忠;但佳壁;于明奇;呂麒鵬;;循環(huán)平穩(wěn)在滾動軸承故障診斷中的應用[J];軍事交通學院學報;2017年06期

9 陳慧;胡俊鋒;熊國良;;基于小波包分解與權(quán)重包絡譜的滾動軸承故障特征增強[J];機械設(shè)計與研究;2017年03期

10 陳雷;;滾動軸承故障診斷實例[J];設(shè)備管理與維修;2016年10期

相關(guān)會議論文 前10條

1 崔寶珍;王澤兵;潘宏俠;;小波包分析和模糊聚類方法在滾動軸承故障診斷中應用[A];第九屆全國振動理論及應用學術(shù)會議論文集[C];2007年

2 和衛(wèi)星;陳曉平;馬東玲;;基于混沌時間序列的滾動軸承故障局部預測[A];2009中國儀器儀表與測控技術(shù)大會論文集[C];2009年

3 張益純;;常見滾動軸承故障診斷的技術(shù)探討[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學術(shù)會議論文集[C];2000年

4 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學術(shù)會議論文集[C];2000年

5 李興林;;滾動軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術(shù)會議論文集[C];2009年

6 崔寶珍;王澤兵;潘宏俠;;小波包分析和模糊聚類方法在滾動軸承故障診斷中的應用[A];第九屆全國振動理論及應用學術(shù)會議論文摘要集[C];2007年

7 閔勇;郭一楠;閆俊榮;;基于貪心算法的滾動軸承故障診斷特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 楊積忠;左立建;;滾動軸承故障診斷實例[A];設(shè)備監(jiān)測與診斷技術(shù)及其應用——第十二屆全國設(shè)備監(jiān)測與診斷學術(shù)會議論文集[C];2005年

9 古瑩奎;楊子茜;朱繁龍;;基于主成分分析的滾動軸承故障特征融合分析[A];2014年全國機械行業(yè)可靠性技術(shù)學術(shù)交流會暨可靠性工程分會第五屆委員會成立大會論文集[C];2014年

10 王俊鋒;申永軍;;高階統(tǒng)計量在滾動軸承故障診斷中的應用研究[A];第十四屆全國非線性振動暨第十一屆全國非線性動力學和運動穩(wěn)定性學術(shù)會議摘要集與會議議程[C];2013年

相關(guān)博士學位論文 前10條

1 池永為;滾動軸承故障的振動特性分析與智能診斷方法研究[D];浙江大學;2018年

2 王洪偉;航空發(fā)動機滾動軸承故障診斷與預測關(guān)鍵技術(shù)研究[D];南京航空航天大學;2015年

3 葛慧敏;車輛滾動軸承故障診斷建模及關(guān)鍵技術(shù)研究[D];江蘇大學;2017年

4 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

5 王聰;基于稀疏表達的機械信號處理方法及其在滾動軸承故障診新中的應用研究[D];中國科學技術(shù)大學;2017年

6 徐劍;基于短時奇異譜分析的滾動軸承故障診斷方法研究[D];浙江大學;2017年

7 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

8 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術(shù)研究[D];南京航空航天大學;2014年

9 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構(gòu)技術(shù)研究[D];大慶石油學院;2009年

10 Ao Hung Linh（池雄嶺）;基于化學反應優(yōu)化算法和支持向量機的滾動軸承故障診斷方法研究[D];湖南大學;2014年

相關(guān)碩士學位論文 前10條

1 逯全波;基于改進VMD的滾動軸承故障無線監(jiān)測系統(tǒng)[D];重慶三峽學院;2018年

2 李志;基于模態(tài)分解的滾動軸承故障診斷方法研究及應用[D];內(nèi)蒙古科技大學;2019年

3 張琳;基于同步提取變換的變轉(zhuǎn)速工況下滾動軸承故障診斷方法研究[D];石家莊鐵道大學;2019年

4 金治彬;基于時頻變換與階比分析的變轉(zhuǎn)速滾動軸承故障診斷研究[D];石家莊鐵道大學;2019年

5 武薇;基于排列熵理論的滾動軸承故障診斷研究[D];石家莊鐵道大學;2019年

6 趙靖;強背景噪聲下鐵路列車滾動軸承故障特征提取方法研究[D];石家莊鐵道大學;2019年

7 薛海峰;滾動軸承故障診斷方法研究[D];石家莊鐵道大學;2018年

8 張安;基于SVD的滾動軸承故障特征提取[D];石家莊鐵道大學;2019年

9 陸子鳴;基于NLM-VMD和度量學習的滾動軸承故障診斷研究[D];華中科技大學;2019年

10 陸超;基于局部均值分解樣本熵及參數(shù)遷移學習的軸承故障診斷[D];燕山大學;2019年

本文編號：2761461