基于共振稀疏分解的滚动轴承故障诊断方法研究

摘要

滚动轴承被广泛应用于机械设备中，是旋转设备的重要部件，同时又是一个主要的故障源，其工作状态正常与否直接影响到机械设备的运行稳定性和安全性。因此，为了及时发现故障，降低经济损失，对滚动轴承进行运行状态监测和故障诊断具有十分重要的意义。
　　本文在对滚动轴承结构和振动特性深入研究的基础上，研究了共振稀疏分解方法，并针对其在参数选择问题，提出了优化方法，取得了较好的信号分解结果。另外，对模式识别方法进行了研究并提出了优化方法，能够对滚动轴承故障信号进行有效地模式识别。本文主要内容如下:
　　阐述了滚动轴承故障诊断的研究背景和意义，总结了故障诊断技术的发展过程，系统介绍了滚动轴承故障特征提取方法和模式识别方法的研究状况。
　　研究了滚动轴承的故障形式和故障诊断方法，根据滚动轴承的结构和振动机理，给出了故障特征频率的计算公式，并总结了基于振动信号的滚动轴承故障诊断的基本步骤。
　　深入研究了共振稀疏分解方法的基本原理，针对其参数选择问题，提出采用PSO算法对品质因子的确定过程进行优化。为加强全局寻优能力，引入了模拟退火算法和调整惯性权重因子的方法，对PSO算法作出了改进，得到了基于改进PSO算法优化的共振稀疏分解方法。采用不同方法对模拟信号进行分解和频谱分析，得到故障特征频率，通过分解结果的对比，验证了本文所提方法的有效性。
　　研究了支持向量机的分类原理，针对支持向量机在处理大样本问题上的局限性，提出最小二乘支持向量机分类方法，利用改进的PSO算法对其进行参数优化。利用优化的分类方法对Wine数据进行分类识别，证明了优化的分类方法的有效性。
　　利用滚动轴承的故障振动信号，对本文提出的故障特征提取方法和模式识别方法进行了实验验证。对滚动轴承故障信号进行共振稀疏分解，一方面，对分解得到的低共振分量进行频谱分析，提取出故障特征频率;另一方面，将低共振分量对应的系数作为支持向量机的输入，进行故障模式识别。利用不同方法对滚动轴承信号进行分解，通过故障特征频率提取结果和模式识别分类准确率的对比，表明了本文所提优化方法的优越性和鲁棒性。

目录

声明

致谢

摘要

1．1 课题的研究背景和意义

1．2 滚动轴承故障诊断研究状况

1．2．1 国内外故障诊断的发展状况

1．2．2 滚动轴承故障诊断的发展历程

1．3 滚动轴承故障特征提取方法

1．3．1 时域分析法

1．3．2 频域分析法

1．3．3 时频分析法

1．4 模式识别的研究状况

1．5 本文的研究内容与研究思路

2 滚动轴承的故障诊断和振动特性

2．1 滚动轴承的结构

2．2 滚动轴承的故障诊断

2．2．1 滚动轴承的故障及其成因

2．2．2 滚动轴承的故障诊断方法

2．3 滚动轴承的振动特性

2．3．1 滚动轴承的振动信号

2．3．2 滚动轴承的故障特征频率

2．3．3 基于振动信号的滚动轴承故障诊断

2．4 本章小结

3 基于最优品质因子的共振稀疏分解

3．1 共振属性

3．1．1 品质因子

3．1．2 信号的共振属性

3．2 品质因子可调小波变换

3．3 共振稀疏分解

3．3．1 形态分量分析

3．3．2 共振分量分离

3．3．3 共振稀疏分解的基本过程

3．4 基于品质因子优化的共振稀疏分解

3．4．1 峭度

3．4．2 品质因子优化

3．4．3 粒子群优化算法

3．4．4 粒子群优化算法的改进

3．4．5 基于改进PSO优化的共振稀疏分解

3．5 模拟信号分析

3．6 本章小结

4 支持向量机分类方法及其优化

4．1 机器学习理论

4．1．1 问题的表示

4．1．2 经验风险最小化原则

4．2 统计学习理论

4．3 支持向量机

4．3．1 线性支持向量机

4．3．2 非线性支持向量机

4．3．3 常用的核函数

4．4．1 最小二乘支持向量机

4．4．2 LS-SVM的优化

4．5 实验验证

4．6 本章小结

5 滚动轴承故障诊断优化方法的实验验证

5．1 滚动轴承故障信号的获取

5．2 滚动轴承故障特征频率提取

5．2．1 外圈故障信号分析

5．2．2 内圈故障信号分析

5．3 滚动轴承故障模式识别

5．4 本章小结

6 总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集