滚动轴承故障程度和工况不敏感智能诊断方法研究

摘要

滚动轴承广泛应用于各类旋转机械设备中且工作环境十分复杂和恶劣，其健康状态直接关系旋转机械的整机性能，一旦失效可能导致潜在的经济损失和安全事故。另一方面，现代旋转机械设备正朝着集成化和自动化方向发展，对其进行故障诊断所需的数据量越来越多，对智能诊断的需求尤其迫切，以减少人工主观性影响。因此，有效地进行滚动轴承智能诊断对于旋转机械设备具有重要的现实意义。
　　机械故障智能诊断过程主要包括三个步骤：振动信号的获取，故障特征信息的提取，故障状态的模式识别。整个过程中的振动信号获取是基础，特征提取是关键，将直接影响模式识别的准确性和可靠性，故障模式的识别是结果。本文以滚动轴承为研究对象，研究以下几类滚动轴承故障智能诊断方法：（1）研究以熵为滚动轴承的运行振动特征，利用以Tsallis熵和样本熵为基础，分别利用小波包分解和提升小波包分解方法，用以在多个尺度上描述非线性、非平稳性振动信号的复杂度，结合概率神经网络和径向基神经网络提出两种滚动轴承智能诊断方法，并通过从QPZZ-Ⅱ故障模拟平台上采集到的滚动轴承十种不同健康状态振动信号验证了两种基于熵的滚动轴承智能诊断方法的有效性。（2）研究一种多尺度熵特征提取方法和基于二叉树型多分类器集成的模式识别方法，利用二叉树结构将原多类分类问题转换成在每个节点处的2类分类问题，从而可以在二叉树每个节点处采用基于多数投票法和三种神经网络分类器实现多分类器集成系统。并以西储大学轴承数据中心的振动信号通过对比实验来验证方法的有效性；（3）研究一种滚动轴承故障程度和运行工况不敏感智能诊断方法，针对工程实际中训练样本集和测试样本集虽然故障类型相同（如均为滚动体故障），但故障程度和运行工况却可能不同的问题，提出了对轴承振动信号经过S变换后得到二维矩阵，并采用奇异值分解技术对二维矩阵进行二次特征提取，由奇异值分解后得到对角阵中对角线上的元素构成特征向量，并结合支持向量机实现智能诊断。以西储大学轴承数据中心的信号作为以上方法的数据支撑，并通过实验来验证该方法能够有效地实现故障程度和运行工况不敏感的滚动轴承智能诊断，效果优于传统滚动轴承智能诊断方法。

目录

封面

声明

中文摘要

英文摘要

目录

主要符号说明

第一章 绪论

1.1 课题研究的背景与意义

1.2 国内外相关研究

1.3 研究内容

第二章 基于熵的滚动轴承智能诊断方法

2.1 熵的理论

2.2 小波包变换理论

2.3 神经网络理论

2.4 基于小波包Tsallis熵和PNN的轴承智能诊断方法

2.5 基于提升小波包样本熵和RBF的轴承智能诊断方法

2.6 本章小节

第三章 基于二叉树型多分类器集成的智能诊断方法

3.1 多尺度熵基本理论

3.2 多分类器集成理论

3.3 实验情况

3.4 本章小节

第四章 滚动轴承鲁棒型智能诊断方法

4.1 S变换理论

4.2 奇异值分解的定义和性质

4.3 支持向量机理论

4.4 滚动轴承故障程度和工况不敏感智能诊断模型

4.5 故障程度不敏感智能诊断方法

4.6 运行工况不敏感智能诊断方法

4.7 故障程度和运行工况不敏感智能诊断方法

4.8 本章小节

第五章 结论与展望

5.1 论文结论

5.2 主要创新点

5.3 研究展望

参考文献

个人简历 在读期间发表的学术论文

致谢