基于改进HHT与SVM的滚动轴承故障诊断方法研究

摘要

随着科学技术的进步和现代工业的发展，滚动轴承作为机械设备中的重要旋转零件，在工业生产领域应用广泛，也是主要故障源之一。许多机械设备的故障都与滚动轴承有关，轴承的工作状态正常与否直接影响到机械设备的性能。因此开展滚动轴承故障诊断技术的研究具有重要的理论价值和现实意义。
　　本文从轴承振动信号的处理着手，对滚动轴承故障诊断技术所涉及的理论方法和关键技术进行了深入的研究，主要内容如下:
　　阐述了滚动轴承故障诊断技术的内容和意义，系统介绍了滚动轴承的振动机理及其故障特征频率，总结了滚动轴承故障诊断中特征提取和模式识别的研究现状。
　　介绍了希尔伯特-黄变换的基本原理和Hilbert谱和Hilbert边际谱的概念，针对现有经验模态分解方法模态混叠的缺点，引入完备的集合经验模态分解方法，通过对周期性冲击信号进行经验模态分解和完备的集合经验模态分解对比分析，验证了完备的集合经验模态分解得到的内禀模态函数更接近理想值。
　　针对滚动轴承故障特征易被噪声干扰淹没的特点，提出了一种基于小波包和完备的集合经验模态分解相结合，并且附带内禀模态函数筛选过程的特征提取方法。将该方法用于仿真信号和实验数据的分析，结果表明，改进的HHT方法能有效提取故障特征频率成分并抑制噪声。
　　采用最小二乘支持向量机模型对滚动轴承的故障进行模式识别，并用粒子群优化算法对参数进行寻优。将提取到的内禀模态函数的奇异值作为支持向量机的特征向量进行训练，对测试样本进行识别验证了支持向量机的分类效果。

目录

声明

致谢

摘要

1 绪论

1．1 滚动轴承故障诊断研究的意义与内容

1．1．1 滚动轴承故障诊断研究的意义

1．1．2 滚动轴承故障诊断研究的内容

1．2 滚动轴承故障诊断概述

1．2．1 滚动轴承故障诊断研究的发展历程

1．2．2 滚动轴承故障信息的主要获取方法

1．2．3 滚动轴承的振动机理

1．3 滚动轴承故障诊断中特征提取与模式识别研究现状

1．3．1 特征提取方法的研究现状

1．3．2 模式识别方法的研究现状

1．4 论文主要工作与总体框架

2 Hilbert-Huang变换基本原理及其改进

2．1 Hilbert-Huang变换基本原理

2．1．1 IMF分量定义条件

2．1．2 经验模态分解基本原理

2．2 Hilbert谱和Hilbert边际谱

2．3 集合经验模态分解基本原理

2．5 完备集合经验模态分解基本原理

2．5 本章小结

3 基于改进的HHT方法的故障特征提取

3．1 改进的HHT方法基本理论

3．2 仿真信号分析

3．3 本章小结

4 支持向量机分类方法研究

4．1 机器学习理论

4．1．1 经验风险最小化原则

4．2 统计学习理论

4．2．1 结构风险最小化原则

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 支持向量机的结构

4．4 最小二乘支持向量机

4．5 基于PSO算法的LS-SVM参数优化

4．5．1 试验验证

4．6 本章小结

5 基于改进HHT和SVM的故障模式识别

5．1 实验数据分析

5．1 故障分类识别

5．3 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