收藏本站
收藏 | 论文排版

基于局部线性嵌入的滚动轴承故障特征提取技术研究

张彦生  
【摘要】:机械设备是一个由多个部件构成的组合体,在动力源驱动下,各部件间相互协调工作,能够完成一定的工作任务。滚动轴承是机械设备中最为常用的机械部件,在实际的运行过程中发生故障的频率也较高。滚动轴承能否稳定的工作不仅决定着机械设备的工作效率和产品质量,而且还影响着工业生产过程的平稳、安全运行。因此,深入分析滚动轴承在设备运行过程中常见的故障,在故障发生初期能够及时预警,并进行维修与维护是保证设备正常运行、延长设备使用寿命的关键。滚动轴承在运行过程中必将会产生一定的振动,振动信号蕴含了大量反映设备工作状态的有用信息,但受系统自身复杂性及噪声等因素的影响,直接对采集到的振动信号进行故障识别的难度较大。如何通过对振动信号进行分析,提取出各类轴承故障重要的显著特征,以提高后续的识别精度,并降低计算的复杂度,是滚动轴承故障诊断方法研究的一个重要方向。本论文对经典的非线性降维方法――局部线性嵌入(Locally Linear Embedding,LLE)算法进行了深入的研究,结合滚动轴承故障信号自身的特点,提出了一系列基于LLE算法的滚动轴承故障特征提取方法,主要工作如下:针对采集到的滚动轴承数据中存在着大量的冗余信息,增加了数据的复杂度,影响后续识别精度及识别效率的问题,考虑采用LLE算法实现对数据冗余维度的剔除。同时为解决LLE算法中局部结构计算对噪声及近邻点选择敏感的问题,结合正则化理论,在原始的高维空间中,研究构建一种更为接近实际应用的局部重构模型,致力于提出一种自适应非线性降维算法――自适应局部线性嵌入(Adaptive Locally linear embedding,ALLE)。ALLE算法可以在局部重构模型中依据样本嵌入维数(9与近邻点个数6)间的关系,灵活地调整7)1和7)2正则方法在优化过程中的作用,实现将最优解限制在一个期望的区域内;为了能够更加有效地对所建重构模型进行求解,ALLE算法中采用了最小角度回归方法,以一种较为保守的搜索策略寻找最优解,避免了重要信息的丢失,在保证降维结果可区分性的同时,增加了迭代步长,提高了计算效率。将ALLE算法应用于美国凯斯西储大学滚动轴承数据集中,实验结果表明ALLE算法能够有效地实现滚动轴承故障振动信号的维度约简。针对滚动轴承故障数据集过于复杂,使得在传统的时域和频域空间提取的轴承特征显著性较差的问题,全面分析轴承信号在各种不同子空间的特性,采用相空间重构、经验模态分解以及小波变换将轴承信号投影到三个子空间中,并将各子空间统一在张量模型下进行描述,结合高阶奇异值分解提出了单样本张量高阶奇异值分解算法,提取滚动轴承数据集的初始特征。最后利用ALLE算法对所得特征进行降维,实现了单样本张量高阶奇异值分解ALLE算法,获得能够真实反映轴承原始数据的显著特征。单样本张量高阶奇异值分解ALLE算法不仅实现了滚动轴承数据的多信息有机融合,而且也解决了传统向量模式造成结构信息损失和小样本等问题。将单样本张量高阶奇异值分解ALLE算法应用于滚动轴承数值模拟仿真及凯斯西储大学滚动轴承数据集中,实验结果验证了所提算法能够提取出显著的滚动轴承信号特征。针对实际滚动轴承故障诊断中对诊断的速度要求较高,而ALLE算法属于批处理方法,无法满足对滚动轴承运行状态实时监测的问题,从ALLE算法的自身特点和函数的非线性逼近两个方向展开研究,分别提出了线性投影ALLE算法和基于BP神经网络的ALLE算法。在线性投影ALLE算法中,借鉴线性判别分析算法的思想,将ALLE与线性判别分析算法相结合,同时挖掘数据的结构信息和类别信息,该方法不仅可以提升嵌入结果的可识别性,而且能够在高、低维空间中学习出一种显式映射矩阵,通过矩阵运算就可将新样本投影到低维特征空间中;在基于BP神经网络的ALLE算法中,采用STHALLE算法对训练样本进行低维映射,然后利用BP神经网络构建训练样本高维和低维空间的非线性映射,实现对新增滚动轴承故障信号的快速映射。采用凯斯西储大学滚动轴承数据集验证了两种算法在处理新数据效率上的优越性。将上面所研成果与支持向量机结合起来,提出一套完整的滚动轴承故障诊断方法。该方法首先采用多传感器或空间变换方法构建轴承每个样本的张量模型;其次采用高阶奇异值分解算法完成对所建张量模型特征的初次提取;再次采用线性投影ALLE算法对初次特征进行降维得到最终的嵌入结果,并计算出高、低维数据的映射函数;然后利用已有样本及其相对应的嵌入结果实现对支持向量机模型的训练;最后采用映射函数及支持向量机实现滚动轴承运行状态的在线实时监测。


知网文化
【相似文献】
中国期刊全文数据库 前16条
1 赖华友;;一种基于深度神经网络的滚动轴承故障诊断方法[J];采矿技术;2020年05期
2 李泓洋;万烂军;李长云;陈意伟;;基于神经网络和证据理论的滚动轴承故障预测方法[J];湖南工业大学学报;2020年04期
3 胡耀斌;厉善元;胡良斌;;基于神经网络的滚动轴承故障诊断方法的研究[J];机械设计与制造;2012年02期
4 吴参;李兴林;孙守迁;张燕辽;张仰平;;混沌理论在滚动轴承故障诊断中的应用[J];轴承;2013年01期
5 蒋康保;;神经网络在滚动轴承故障诊断中的应用[J];装备制造技术;2010年01期
6 贺天成;范云鹏;宁中赫;;利用包络解调技术分析诊断滚动轴承故障[J];冶金动力;2020年01期
7 彭宅铭;程龙生;詹君;姚启峰;;基于多特征提取和改进马田系统的滚动轴承故障分类方法研究[J];振动与冲击;2020年06期
8 徐卫晓;谭继文;温国强;;滚动轴承故障信号处理方法与诊断试验研究[J];机床与液压;2014年17期
9 张星星;李少波;柘龙炫;胡建军;宋启松;李志昂;;基于机器学习算法的滚动轴承故障诊断研究[J];组合机床与自动化加工技术;2020年07期
10 昝涛;王辉;刘智豪;王民;高相胜;;基于多输入层卷积神经网络的滚动轴承故障诊断模型[J];振动与冲击;2020年12期
11 陈松;陈立爱;;经验模态分解和神经网络在滚动轴承故障诊断中应用研究[J];安徽建筑大学学报;2016年04期
12 谢雅;;基于神经网络的滚动轴承故障快速检测方法[J];计算机系统应用;2010年09期
13 黄志昌;;基于神经网络的煤矿机械滚动轴承故障诊断研究[J];煤矿机械;2020年04期
14 余永增;韩龙;戴光;;基于声发射的滚动轴承故障诊断方法[J];无损检测;2010年06期
15 张丽娟;滚动轴承故障诊断装置应用分析[J];铁道车辆;2002年01期
16 陈湘中;;滚动轴承故障诊断技术[J];福建电脑;2020年06期
中国重要会议论文全文数据库 前20条
1 佘道明;贾民平;;一种新型多层深度卷积神经网络的滚动轴承故障诊断方法[A];第十二届全国振动理论及应用学术会议论文集[C];2017年
2 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中应用[A];第九届全国振动理论及应用学术会议论文集[C];2007年
3 贾婷;;关于自动化转动轴承检测诊断故障的调研报告[A];2019铁道车辆轮轴学术交流会论文集[C];2019年
4 和卫星;陈晓平;马东玲;;基于混沌时间序列的滚动轴承故障局部预测[A];2009中国仪器仪表与测控技术大会论文集[C];2009年
5 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年
6 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年
7 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年
8 崔宝珍;王泽兵;潘宏侠;;小波包分析和模糊聚类方法在滚动轴承故障诊断中的应用[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年
9 闵勇;郭一楠;闫俊荣;;基于贪心算法的滚动轴承故障诊断特征提取[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
10 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年
11 古莹奎;杨子茜;朱繁龙;;基于主成分分析的滚动轴承故障特征融合分析[A];2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集[C];2014年
12 王俊锋;申永军;;高阶统计量在滚动轴承故障诊断中的应用研究[A];第十四届全国非线性振动暨第十一届全国非线性动力学和运动稳定性学术会议摘要集与会议议程[C];2013年
13 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年
14 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
15 郭学卫;申永军;杨绍普;;基于模糊熵和包络分析的滚动轴承故障特征提取[A];第十届动力学与控制学术会议摘要集[C];2016年
16 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集(上册)[C];2008年
17 陈二恒;贺德强;周继续;向伟彬;;基于小波包和形态分量分析的机车走行部滚动轴承故障诊断研究[A];第十七届中国科协年会——分3 面向智能制造的先进测控技术学术会议论文集[C];2015年
18 刘东东;程卫东;;齿轮噪源干扰下滚动轴承故障特征频率的提取[A];2016年全国设备监测诊断与维护学术会议暨第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议论文集[C];2016年
19 单鸿鹏;关月红;;频谱分析技术在滚动轴承故障诊断中的应用[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年
20 陈祥龙;张兵志;冯辅周;江鹏程;;基于改进排列熵的滚动轴承故障特征提取[A];第十二届全国振动理论及应用学术会议论文集[C];2017年
中国博士学位论文全文数据库 前20条
1 张彦生;基于局部线性嵌入的滚动轴承故障特征提取技术研究[D];哈尔滨工业大学;2020年
2 池永为;滚动轴承故障的振动特性分析与智能诊断方法研究[D];浙江大学;2018年
3 王洪伟;航空发动机滚动轴承故障诊断与预测关键技术研究[D];南京航空航天大学;2015年
4 葛慧敏;车辆滚动轴承故障诊断建模及关键技术研究[D];江苏大学;2017年
5 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年
6 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年
7 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年
8 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年
9 徐倩倩;印刷机滚动轴承故障特征提取方法研究[D];西安理工大学;2019年
10 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年
11 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年
12 Ao Hung Linh(池雄岭);基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年
13 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年
14 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年
15 甘萌;信号的稀疏表达在滚动轴承故障特征提取及智能诊断中的应用研究[D];中国科学技术大学;2017年
16 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年
17 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年
18 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年
19 王志阳;约束独立成分分析及其在滚动轴承故障诊断中的应用[D];上海交通大学;2011年
20 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年
中国硕士学位论文全文数据库 前20条
1 张星博;基于小波分析和机器学习的滚动轴承故障诊断方法研究[D];长春大学;2020年
2 管庆磊;小波神经网络在滚动轴承故障诊断中的应用研究[D];河南工业大学;2017年
3 聂晨;基于稀疏表示的滚动轴承故障诊断方法研究[D];沈阳理工大学;2020年
4 刘乐;基于局部均值分解的滚动轴承故障诊断系统研究与应用[D];中北大学;2017年
5 王好将;图信号处理方法在滚动轴承故障诊断中的应用研究[D];湖南大学;2019年
6 刘布宇;基于深度学习的滚动轴承故障诊断研究[D];杭州电子科技大学;2019年
7 张亚男;基于流形学习和优化极限学习机的滚动轴承故障诊断方法研究[D];北京交通大学;2019年
8 闫万学;基于压缩感知降噪和谱峭度法的滚动轴承故障诊断分析研究[D];辽宁科技大学;2019年
9 王婷婷;基于CEEMDAN的滚动轴承故障诊断研究[D];辽宁科技大学;2019年
10 师芳;基于两级DBN的滚动轴承故障自学习方法研究[D];内蒙古工业大学;2019年
11 白宇;一种复合诊断方法及其在滚动轴承故障识别中的应用[D];内蒙古工业大学;2019年
12 倪清;基于最优解调频带选择的滚动轴承故障诊断方法研究[D];电子科技大学;2019年
13 高月;基于无线传感器的滚动轴承故障检测研究[D];电子科技大学;2019年
14 赵秋实;基于深度学习的滚动轴承故障诊断技术的研究[D];河南理工大学;2018年
15 荆云建;基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究[D];北京交通大学;2019年
16 孙亚武;基于VMD-KEI的电机用滚动轴承故障诊断研究[D];长安大学;2019年
17 李从志;基于经验小波变换与散布熵的滚动轴承故障诊断方法研究[D];安徽工业大学;2019年
18 王振亚;基于Isomap的滚动轴承故障诊断方法[D];安徽工业大学;2019年
19 张建;ADMOW模式识别方法及其在滚动轴承故障诊断中的应用[D];安徽工业大学;2019年
20 金余丰;基于深度学习的滚动轴承故障诊断方法研究[D];南京师范大学;2019年
中国重要报纸全文数据库 前20条
1 通讯员 蔡义杰 记者 唐先武;轴承故障诊断有了“透视镜”[N];科技日报;2001年
2 记者 董映璧;神经网络技术检测玻璃钢缺陷精度高[N];科技日报;2020年
3 骆无意;图神经网络让集群无人系统更智能[N];中国航天报;2020年
4 张允硕 姜正义 甄海锋 河南理工大学;基于神经网络的自适应PID控制的智能衣架[N];科学导报;2019年
5 湖北日报全媒记者 张爱虎 通讯员 徐向军 实习生 于蓝;一群“90后”率先建成铁路“神经网络”[N];湖北日报;2019年
6 记者 刘霞;忆阻器制成神经网络更高效[N];科技日报;2017年
7 整理 本报记者 诸玲珍 顾鸿儒;微软神经网络切割法可使加速作用超线性[N];中国电子报;2018年
8 ;神经网络小史[N];电子报;2018年
9 张敏;人机大战,到底谁会赢?[N];北京日报;2017年
10 ;人工智能将取得大面积突破[N];中国企业报;2017年
11 本报记者 龚丹韵;人机大战:人类还有优势吗[N];解放日报;2017年
12 ;人类正迎来云端机器人时代[N];中国企业报;2017年
13 张斌;谁还需要“同传”[N];文汇报;2017年
14 邓洲 中国社会科学院工业经济研究所;深度学习:人工智能进入应用阶段[N];上海证券报;2017年
15 中国科学技术大学终身学习实验室博士 吴茂乾;“寒武纪”人工智能大爆发的前夜[N];安徽日报;2017年
16 记者 邱智丽;AI竞赛 中国力量崛起[N];第一财经日报;2017年
17 卡内基·梅隆大学计算机科学学院机器学习系主任 Tom Mitchell;突破人类和机器的边界[N];中国信息化周报;2017年
18 舒年;“深度学习”与人工智能的新挑战[N];工人日报;2017年
19 记者 刘霞;新神经网络使计算机像人一样推理[N];科技日报;2017年
20 本报记者 喻思娈;人工智能有多智能?[N];人民日报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978