滾動軸承的工作狀態(tài)對設(shè)備性能甚至整個生產(chǎn)線的生產(chǎn)和安全都有直接的影響。因此,研究滾動軸承故障識別的相應(yīng)技術(shù)對避免重大機(jī)械事故的發(fā)生具有重要的理論價值和現(xiàn)實(shí)意義。本文以滾動軸承為研究對象,針對特征選擇以及故障識別這兩個關(guān)鍵問題,運(yùn)用相關(guān)性分析的方法和思想進(jìn)行一系列研究工作。主要工作如下:(1)提出一種自功率譜函數(shù)分類方法(SPSF)。首先,通過自功率譜函數(shù)進(jìn)行降噪處理以增強(qiáng)故障信號的頻率特性;其次,通過對待測信號序列與先驗(yàn)信號序列集進(jìn)行自功率譜函數(shù)相關(guān)性匹配分析,以獲得信號之間的相似度;最后,依據(jù)相似度大小對故障進(jìn)行分類。(2)提出一種基于MIC方法的兩階段特征選擇方法。首先,利用MIC方法對具有強(qiáng)表示能力的特征進(jìn)行分析、度量和排序;進(jìn)一步對所選具有強(qiáng)表示能力的特征子集進(jìn)行相似性分析和度量,達(dá)到去冗余目的;最后,基于給定分類器的分類結(jié)果對特征子集進(jìn)行各種性能評價。(3)提出一種MIC-k-means特征選擇方法。在選取出具有強(qiáng)表示能力的特征子集的基礎(chǔ)上,利用MIC方法建立特征之間的相似度矩陣;進(jìn)一步利用k-均值聚類方法進(jìn)行特征聚類并獲得聚類中心;最后,從每個聚類中選取一個代表性最強(qiáng)的特征,獲得最優(yōu)特征子集。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH133.3
【部分圖文】：

杭州電子科技大學(xué)碩士學(xué)位論文(3) 故障診斷：利用已經(jīng)提取的特征信息，用模式識別的方法對軸承進(jìn)行運(yùn)行狀態(tài)的分析，從而判斷故障是否發(fā)生。(4) 狀態(tài)分析：當(dāng)軸承被診斷為故障時，則需要識別相應(yīng)的故障類型，此外還需分析故障發(fā)生的部位以及故障程度等具體信息。(5) 決策干預(yù)：根據(jù)軸承的當(dāng)前工作狀態(tài)以及發(fā)展趨勢，對軸承進(jìn)行適當(dāng)?shù)恼{(diào)整、控制、監(jiān)視等決策，通過反饋信息干預(yù)軸承的工況。

方法實(shí)現(xiàn)過程為：首先，基于某一距離度量進(jìn)行標(biāo)準(zhǔn)化，并從訓(xùn)待測樣本 X 最接近的 k 個樣本；然后，對 k 個訓(xùn)練樣本中占多數(shù)，最后由統(tǒng)計(jì)情況來預(yù)測樣本 X 的類別。的研究中，近鄰思想在軸承故障領(lǐng)域中具有廣泛應(yīng)用[11, 12]。周海近鄰元分析的軸承故障進(jìn)行特征降維處理[13]，周哲提出了基于 k檢測、故障隔離以及故障重構(gòu)等問題進(jìn)行研究[14]，劉君等對原始權(quán)處理，通過改進(jìn)算法對故障進(jìn)行診斷[15]。支持向量機(jī)的識別方式量機(jī)（Support Vector Machine, SVM）[16]，首先通過訓(xùn)練集特征過優(yōu)化一個泛化誤差界限自動生成最優(yōu)分類面，使用該超平面對圖 1.2 中，用帶圈的數(shù)據(jù)表示支持向量，加號表示正例，減號表超平面中尋找使支持向量使得間隔 m 最大化的決策面作為最很好的泛化性能。SVM 方法只與支持向量有關(guān)而與特征空間實(shí)避了維度災(zāi)難，有助于提高分類準(zhǔn)確性。基礎(chǔ)幾何原理如圖 1.2 所

不同特征之間相似性的 MIC 值，建立對應(yīng)的相似度量矩陣，通過設(shè)置相應(yīng)的閾值對矩陣中的值進(jìn)行判斷，從而實(shí)現(xiàn)特征約減；3）在最后實(shí)驗(yàn)驗(yàn)證階段，通過SVM 和 kNN 兩種分類方法的分類準(zhǔn)確性對特征子集性能進(jìn)行驗(yàn)證，并與Pearson、MRMR、McTwo 三種特征選擇方法進(jìn)行實(shí)驗(yàn)對比，驗(yàn)證 MIC 方法所獲得的特征子集最具有表征能力。第 5 章 基于 MIC-k-means 特征選擇方法。針對第 4 章中由于人為設(shè)置閾值進(jìn)行特征選取時閾值難選取以及選取不合適可能造成的結(jié)果不穩(wěn)定等一系列問題。通過計(jì)算 MIC 特征與分類之間關(guān)聯(lián)度以獲得強(qiáng)特征的方法不變，本章在建立特征之間相似度矩陣的基礎(chǔ)上，通過計(jì)算特征的貢獻(xiàn)率對特征重新進(jìn)行排序，以更新相似度矩陣。此外，提出通過 k-均值聚類方法取代原先閾值化方法進(jìn)行特征約減，以達(dá)到更好地特征選擇效果。通過對比實(shí)驗(yàn)說明該方法在特征選擇方法的性能改進(jìn)。第 6 章 總結(jié)全文工作。對本文中特征選擇和故障識別改進(jìn)方案和進(jìn)一步研究指引方向。本文整體框架如下圖 1.3 所示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邵巖;盧迪;楊廣學(xué);;分?jǐn)?shù)階傅里葉變換在軸承故障診斷中的應(yīng)用[J];哈爾濱理工大學(xué)學(xué)報;2017年03期

2 喬世民;軸承故障診斷技術(shù)的發(fā)展[J];中國設(shè)備管理;1989年01期

3 鮑明;趙淳生;紀(jì)國宜;陳志強(qiáng);;MDS-1軸承故障診斷系統(tǒng)[J];振動、測試與診斷;1989年04期

4 甄敬然;趙偉軍;;基于經(jīng)驗(yàn)?zāi)B(tài)分解和形態(tài)濾波的礦用軸承故障診斷[J];煤炭技術(shù);2017年07期

5 沙美妤;劉利國;;基于振動信號的軸承故障診斷技術(shù)綜述[J];軸承;2015年09期

6 山紅偉;;煤礦機(jī)械齒輪和軸承故障診斷研究[J];科技致富向?qū)?2015年17期

7 袁洪芳;姜宇萱;王華慶;;基于詞袋模型和極限學(xué)習(xí)機(jī)的軸承故障診斷[J];測控技術(shù);2017年02期

8 劉琦;;基于小波分析的軸承故障診斷研究[J];煤;2013年07期

9 蘇明輝;薛光輝;趙國瑞;張明;;渣漿泵軸承故障診斷系統(tǒng)設(shè)計(jì)與應(yīng)用[J];煤炭工程;2009年02期

10 江偉;;機(jī)車軸承故障診斷中的多智能傳感器技術(shù)應(yīng)用分析[J];鐵路計(jì)算機(jī)應(yīng)用;2008年03期

相關(guān)博士學(xué)位論文 前5條

1 梁瑜;地鐵列車軸承故障診斷及在途診斷系統(tǒng)研究[D];北京交通大學(xué);2014年

2 褚東亮;旋轉(zhuǎn)機(jī)械故障信號分析及診斷技術(shù)研究[D];華北電力大學(xué)(北京);2017年

3 胡永濤;基于多特征融合及深度信念網(wǎng)絡(luò)的軸承故障診斷[D];燕山大學(xué);2017年

4 王雷;基于流形學(xué)習(xí)的滾動軸承故障診斷若干方法研究[D];大連理工大學(xué);2013年

5 周俊;機(jī)械故障信號欠定源估計(jì)與盲提取方法研究[D];昆明理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 謝乾坤;城軌列車軸承故障診斷試驗(yàn)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];長安大學(xué);2018年

2 董德億;基于輸出信號相關(guān)性分析的軸承故障診斷方法[D];杭州電子科技大學(xué);2018年

3 鄭慶標(biāo);基于小波分析的軸承故障診斷系統(tǒng)的研制及應(yīng)用[D];北京交通大學(xué);2018年

4 黃陽;基于振動信號降噪與分解的軸承故障診斷研究[D];西安理工大學(xué);2018年

5 羅映蓮;基于改進(jìn)粒子群和SVM的電機(jī)軸承故障診斷方法研究[D];大連交通大學(xué);2017年

6 黃建新;多傳感器數(shù)據(jù)融合技術(shù)在軸承故障診斷中的應(yīng)用研究[D];武漢理工大學(xué);2006年

7 張樹波;基于階次分析的風(fēng)電軸承故障診斷[D];燕山大學(xué);2017年

8 張濤;機(jī)車軸承故障診斷系統(tǒng)的研究與設(shè)計(jì)[D];中南大學(xué);2005年

9 葉友誼;基于優(yōu)化支持向量機(jī)的滾動軸承故障診斷[D];福州大學(xué);2014年

10 Cristian López;基于改進(jìn)隨機(jī)共振法的軸承故障診斷[D];浙江大學(xué);2017年

本文編號：2893334