收藏本站
收藏 | 论文排版

基于振动信号时频分析的滚动轴承故障诊断

颜少廷  
【摘要】:滚动轴承是旋转机械传动装置的重要组成部分之一,因其结构复杂、承受负载大、工作环境恶劣以及长期处于高速运转的工作状态等特点,难免会产生故障。滚动轴承一旦发生故障,将影响整个机械系统的运行状况,为了避免不必要的财产损失和人员损伤,运用有效的滚动轴承故障诊断方法来检测滚动轴承的健康状态是非常有必要的。一般情况下,由于拆卸、机器尺寸或工作环境的限制,滚动轴承无法直接进行检查。滚动轴承振动信号可以反映滚动轴承的工作状态,因此振动信号分析是滚动轴承故障诊断的主要方法之一。然而由于故障信号幅值较小,环境噪声较强,采集到的振动信号是强时变强频变的非平稳信号,这就使得提取故障特征更具挑战性。针对这个问题,本文首先提出了基于可抑制端点效应和模态混合的鲁棒局部均值分解(Robust local mean decomposition,RLMD)和Kmeans++的滚动轴承故障诊断方法;然后,由于基于时频掩膜(Time-frequency masking,TFM)的时间重分配多次同步压缩变换(Time-reassigned Multisynchrosqueezing Transform,TMSST)能够更好地提取强时变和频变信号的特征,本文提出了基于TFM-TMSST和极限学习机(Extreme learning machine,ELM)的滚动轴承故障诊断方法。主要研究内容如下:(1)提出了基于RLMD和Kmeans++的滚动轴承故障诊断方法。针对滚动轴承振动信号通常为非平稳、非线性的调频调幅信号的特点,使用RLMD将滚动轴承振动信号分解为若干个乘积函数(Product function,PF),利用互相关函数筛选敏感PF分量并进行信号重构;计算原始振动信号和重构信号的时、频域统计特征作为初始特征向量;利用线性判别分析(Linear discriminant analysis,LDA)提取滚动轴承Fisher特征向量;使用滚动轴承Fisher特征向量的训练样本集训练Kmeans++聚类模型,得到相应的聚类中心;通过计算测试集与聚类中心的汉明贴近度来诊断测试样本的故障情况。使用包含不同信噪比的仿真滚动轴承故障振动数据和包含不同类型、不同损坏程度的试验台滚动轴承振动数据进行实验分析,实验结果表明提出的方法能够有效地进行滚动轴承故障类型和损坏程度诊断。(2)提出了基于TFM-TMSST和ELM的滚动轴承故障诊断方法。针对滚动轴承振动信号强时变、强频变的特点,首先对滚动轴承振动信号进行TMSST分析,利用TFM技术对得到的TMSST结果进行降噪处理,然后进行信号重构;计算原始振动信号和重构信号的时、频域统计特征作为初始特征向量,使用主成分分析方法(Principal component analysis,PCA)提取包含滚动轴承故障信息的主成分特征,并进一步采用LDA方法增加类间距离,缩小类内距离;使用主成分Fisher特征训练样本集对构建的ELM神经网络模型进行训练;最后测试样本集被用于滚动轴承故障诊断。基于仿真故障滚动轴承振动数据和试验台滚动轴承振动数据被用于实验分析,实验结果表明该方法与其它传统方法相比能够更有效地进行滚动轴承故障诊断。(3)将(1)和(2)中提出的两种方法的实验结果进行对比,并使用Paderborn大学滚动轴承数据中心的滚动轴承数据进行实验,结果表明(1)和(2)方法的诊断效果都很好,且对训练集样本数较少的情况和信噪比较低的情况也具有优良的性能;(1)中的方法滚动轴承故障诊断识别率稍高,但诊断时间要长一些。


知网文化
【相似文献】
中国期刊全文数据库 前18条
1 张亢;程军圣;杨宇;;基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法[J];振动与冲击;2013年09期
2 吕志民,徐金梧,翟绪圣;分形维数及其在滚动轴承故障诊断中的应用[J];机械工程学报;1999年02期
3 陈芒;于德介;高艺源;;基于可视图图谱幅值熵的滚动轴承故障诊断方法[J];振动与冲击;2021年04期
4 清华大学,邱阿瑞;电机滚动轴承故障诊断的新方法[J];中小型电机;1996年05期
5 陈强强;戴邵武;戴洪德;聂子健;;滚动轴承故障诊断方法综述[J];仪表技术;2019年09期
6 康文利;王殿;朱瑜;;基于LabVIEW时频分析的滚动轴承故障诊断[J];煤矿机械;2012年07期
7 胡德强;;滚动轴承故障诊断方法综述[J];内燃机与配件;2019年09期
8 王宇;陆爽;;分形技术在轴承故障诊断中的应用[J];现代电子技术;2007年01期
9 崔硕;;时域指标在滚动轴承故障诊断中的应用[J];机械工程与自动化;2008年01期
10 张雪英;栾忠权;刘秀丽;;基于深度学习的滚动轴承故障诊断研究综述[J];设备管理与维修;2017年18期
11 高大女;;基于振动信号的滚动轴承故障探索[J];能源与节能;2016年06期
12 李慧梅;安钢;黄梦;;基于局部均值分解的边际谱在滚动轴承故障诊断中的应用[J];振动与冲击;2014年03期
13 崔春英;段礼祥;张来斌;;基于LMD和FCM的滚动轴承故障诊断方法[J];科学技术与工程;2013年07期
14 宗明成,丁铁英,陈淑琴,张建新;列车滚动轴承故障诊断[J];无损检测;1998年03期
15 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
16 徐玉秀,原培新,邢钢;极大熵谱法及其在滚动轴承故障诊断中的应用[J];机械科学与技术;2001年04期
17 王鹏;程秀芳;;基于高斯函数的小波基的构造方法及在滚动轴承故障诊断中的应用研究[J];机械强度;2021年05期
18 赵凯辉;吴思成;李涛;贺才春;查国涛;;基于Inception-BLSTM的滚动轴承故障诊断方法研究[J];振动与冲击;2021年17期
中国重要会议论文全文数据库 前20条
1 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
2 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
3 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
4 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
5 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
6 刘俊利;缪炳荣;张盈;李永健;张哲;;基于FFT与CART的滚动轴承故障诊断方法[A];第十七届中国CAE工程分析技术年会论文集[C];2021年
7 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
8 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
9 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
10 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
11 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
12 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
13 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
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 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
16 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
17 张红兵;;基于关联维数改进算法的汽车滚动轴承故障诊断[A];苏州市自然科学优秀学术论文汇编(2008-2009)[C];2010年
18 李伟;何涛;吴庆华;;小波变换与滚动轴承振动的故障诊断方法研究[A];湖北省机械工程学会青年分会2006年年会暨第2届机械学院院长(系主任)会议论文集(上)[C];2006年
19 边杰;陈亚农;梅庆;唐广;;基于LMD边际谱的滚动轴承故障检测[A];第八届中国航空学会青年科技论坛论文集[C];2018年
20 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
中国博士学位论文全文数据库 前20条
1 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
2 朱可恒;滚动轴承振动信号特征提取及诊断方法研究[D];大连理工大学;2013年
3 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
4 彭勃;基于遗传编程的滚动轴承故障诊断方法研究[D];华北电力大学(北京);2021年
5 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
6 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
7 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
8 赵孝礼;基于图嵌入自编码的滚动轴承故障诊断方法研究[D];东南大学;2021年
9 杜岩;基于时频图像识别的滚动轴承故障诊断方法研究[D];中国矿业大学(北京);2020年
10 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
11 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
12 王玉静;滚动轴承振动信号特征提取与状态评估方法研究[D];哈尔滨工业大学;2015年
13 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
14 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
15 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
16 王艳;滚动轴承故障特征快速提取方法及其应用研究[D];长安大学;2021年
17 闫晓丽;基于数学形态学与混沌理论的滚动轴承故障诊断研究[D];华北电力大学(北京);2021年
18 刘畅;基于压缩感知的滚动轴承特征提取与特征约简方法研究[D];昆明理工大学;2017年
19 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
20 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
中国硕士学位论文全文数据库 前20条
1 颜少廷;基于振动信号时频分析的滚动轴承故障诊断[D];青岛理工大学;2020年
2 韩欣宏;基于数据驱动的风电机滚动轴承故障诊断[D];江南大学;2020年
3 杨潘;基于局部特征尺度分解的滚动轴承故障诊断方法[D];湖南大学;2014年
4 胡猛;基于局部均值分解的滚动轴承故障诊断方法研究[D];燕山大学;2016年
5 苏阳;数据驱动滚动轴承故障诊断研究[D];沈阳大学;2012年
6 崔宝珍;基于小波分析的滚动轴承故障诊断方法研究与应用[D];中北大学;2005年
7 罗义胜;基于盲源分离的滚动轴承故障诊断研究[D];上海工程技术大学;2016年
8 舒陶;基于深度学习的滚动轴承故障诊断方法研究[D];广东工业大学;2020年
9 王春梅;滚动轴承故障诊断技术研究[D];哈尔滨工业大学;2014年
10 吴姗;模糊聚类在滚动轴承故障识别中的应用研究[D];大连交通大学;2020年
11 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
12 俞培松;滚动轴承振动故障诊断技术的研究及其实际应用[D];同济大学;2007年
13 王硕;设备状态监测无线集成网络节点设计与研究[D];广东工业大学;2005年
14 吕健豪;基于1DCNN的变工况滚动轴承故障诊断[D];兰州理工大学;2021年
15 陈子旭;基于局部均值分解的图谱域滚动轴承故障诊断技术的研究[D];山东大学;2021年
16 张倩;基于共振解调原理和转速阶比谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2012年
17 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
18 郝富贵;基于包络解调的冶金设备滚动轴承故障诊断应用研究[D];内蒙古科技大学;2020年
19 冯春生;基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2015年
20 杨敏敏;基于支持向量机的滚动轴承故障诊断方法研究[D];江西理工大学;2012年
中国重要报纸全文数据库 前5条
1 邢小兵 记者 王瑶;我国首个航天器在轨故障诊断与维修实验室成立[N];解放军报;2014年
2 杨亚洲 邢小兵 记者 齐小英;航天器故障诊断与维修室在西安成立[N];陕西日报;2013年
3 ;为企业长远效益的增长助力[N];中国信息化周报;2019年
4 记者冯竞;“ B737飞机故障诊断与维修指导系统”开发成功[N];科技日报;2002年
5 秦夏 记者 王梅;旋转机械远程在线监测及故障诊断中心落户陕鼓[N];中国质量报;2006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