当前位置:主页 > 科技论文 > 机电工程论文 >

基于KJADE的轴承故障识别与性能退化评估方法研究

发布时间:2021-07-29 11:05
  滚动轴承作为旋转机械中重要的部件,其运行状态的健康与否直接关系到机械设备的稳定安全,因此对轴承进行故障诊断和性能退化评估意义重大。本文以滚动轴承为研究对象,提出核函数特征矩阵联合近似对角化(Kernel Joint Approximate Diagonalization of Eigen-matrices,KJADE)特征融合方法,并结合其它信号处理方法和机器学习方法,分别对滚动轴承的特征提取、故障识别、性能退化评估等问题进行了研究。本文首先对KJADE特征融合算法的理论进行研究,其以一维或多维信号作为处理对象,从不同域提取信号的原始特征集,并经过非线性函数将其映射到高维特征空间,从而使得低维空间中存在的线性不可分问题转变成高维空间中的线性可分问题。然后引入核函数的思想代替高维特征空间中复杂的内积计算并得到核矩阵,计算其四阶累积量矩阵并进行特征分解,从而得到非线性低维敏感特征。该特征分布消除了原始特征间的相关性和冗余性,较于传统的线性JADE方法,该算法对非线性信号拥有更好的适用性。在轴承的故障识别中,首先从时域、频域和时频域对振动信号的特征参数进行计算并组成原始多域特征集,然后使用KJADE算法提取更为稳健有效的低维特征。主要研究了基于KJADE的低维非线性特征融合技术,通过对多类轴承故障振动信号进行特征提取,以及与其他典型降维方法的比较结果,得出本文所提取的低维特征在特征空间内具有非常好的聚类效果。并研究KJADE特征子空间的构建,并作为支持向量机(Support Vector Machine,SVM)的学习样本,实现对轴承的故障识别。基于两类模型可以有效评估故障样本与健康样本之间的差异性,对轴承的性能退化评估进行了研究。利用KJADE对滚动轴承的全寿命振动信号进行低维特征指标的提取,获得能够反映轴承性能退的敏感属性。主要研究了基于KJADE和两类模型的性能退化指标提取技术,并获得了更为稳健单调的评估指标,其对于早期故障的发现也更为及时有效。在此基础上研究了极限学习机(Extreme Learning Machine,ELM)在轴承性能退化趋势预测上的应用,通过对退化指标的历史数据进行学习,能够较好的实现对下一时刻轴承状态的预测。此外,上述研究和分析是建立在凯斯西储大学轴承实验数据、Cincinnati大学智能维护中心的滚动轴承全寿命振动数据和本文作者所在实验室所采集到的轴承疲劳实验数据基础之上。本文研究表明,KJADE特征融合方法能够提取反映轴承运行状态的有效敏感特征,对轴承的故障识别和性能退化评估都具有非常重要的意义。
【学位授予单位】:安徽大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TH133.3
文章目录
摘要
Abstract
第一章 绪论
    1.1 选题意义
    1.2 轴承故障诊断的主要方法与步骤
        1.2.1 轴承故障诊断的主要方法
        1.2.2 轴承故障诊断的基本步骤
    1.3 轴承故障诊断方法研究现状
        1.3.1 轴承故障特征提取研究现状
        1.3.2 轴承故障状态识别与性能退化评估研究现状
    1.4 本文研究内容与安排
第二章 滚动轴承振动机理与故障分析
    2.1 引言
    2.2 研究对象分析
    2.3 滚动轴承的振动机理与故障特征频率计算
        2.3.1 滚动轴承的振动机理
        2.3.2 滚动轴承的故障特征频率计算
    2.4 典型轴承故障振动信号的特点
    2.5 本章小结
第三章 KJADE特征融合方法及其在滚动轴承故障识别中的应用研究
    3.1 引言
    3.2 滚动轴承故障信息特征提取方法
        3.2.1 时域特征提取方法
        3.2.2 频域特征提取方法
        3.2.3 时频域特征提取方法
    3.3 特征矩阵联合近似对角化(JADE)方法
        3.3.1 JADE基本模型
        3.3.2 数据的球化
        3.3.3 四阶累积量矩阵
        3.3.4 JADE算法
    3.4 KJADE算法及其在轴承特征融合上的应用研究
        3.4.1 KJADE分析方法
        3.4.2 基于KJADE的滚动轴承特征融合方法
    3.5 基于SVM的滚动轴承故障识别
        3.5.1 支持向量机(SVM)
        3.5.2 滚动轴承故障识别
    3.6 本章小结
第四章 基于KJADE与ELM的滚动轴承性能退化评估与趋势预测研究
    4.1 引言
    4.2 基本理论
        4.2.1 KJADE
        4.2.2 两类模型
        4.2.3 极限学习机(ELM)
    4.3 基于KJADE与两类模型的滚动轴承性能退化评估
        4.3.1 轴承疲劳实验装置介绍
        4.3.2 轴承原始全寿命特征参数提取
        4.3.3 轴承性能退化评估
    4.4 基于ELM的滚动轴承性能退化趋势预测方法
    4.5 本章小结
第五章 滚动轴承疲劳试验方法验证
    5.1 LabVIEW简介与应用
    5.2 轴承疲劳试验装置
    5.3 实验分析与验证
    5.4 本章小结
第六章 总结与展望
    6.1 结论
    6.2 展望
参考文献
致谢
在读期间发表的学术论文

【相似文献】

相关期刊论文 前10条

1 彭宝华;周经伦;刘学敏;;元器件性能退化信息的系统性能可靠性评估[J];火力与指挥控制;2011年10期

2 胡昌华;胡锦涛;张伟;平振海;;支持向量机用于性能退化的可靠性评估[J];系统工程与电子技术;2009年05期

3 蔡静;王玉梅;;基于Wiener过程的性能退化产品可靠性评估[J];湖南理工学院学报(自然科学版);2012年02期

4 王剑;刘西拉;;结构性能退化的评估和贝叶斯动态预测[J];岩石力学与工程学报;2007年S1期

5 潘玉娜;陈进;李兴林;;基于模糊c-均值的设备性能退化评估方法[J];上海交通大学学报;2009年11期

6 华成;张庆;徐光华;谢俊;李淑智;;动态概率模型跟踪性能退化的实时可靠性评估方法[J];西安交通大学学报;2010年01期

7 李伟;王华伟;孙绍辉;;基于性能退化数据的可靠性建模分析[J];飞机设计;2014年02期

8 王立;于重重;施彦;张慧妍;;基于振动信号分析的电机性能退化特征提取[J];计算机仿真;2014年04期

9 何英;周东华;俞容;;一种基于性能退化数据的电子设备缓变故障预报方法[J];仪器仪表学报;2008年07期

10 张佳;张伟;梅冰;;系统性能退化与可靠性评估[J];战术导弹技术;2011年06期

相关博士学位论文 前9条

1 李业波;智能航空发动机性能退化缓解控制技术研究[D];南京航空航天大学;2014年

2 袁容;基于性能退化分析的可靠性方法研究[D];电子科技大学;2015年

3 张彬;数据驱动的机械设备性能退化建模与剩余寿命预测研究[D];北京科技大学;2016年

4 郝会兵;基于贝叶斯更新与Copula理论的性能退化可靠性建模与评估方法研究[D];东南大学;2016年

5 郭磊;基于核模式分析方法的旋转机械性能退化评估技术研究[D];上海交通大学;2009年

6 赵建印;基于性能退化数据的可靠性建模与应用研究[D];国防科学技术大学;2005年

7 林迟;基于结构全寿命设计需求的环境作用与结构性能退化研究[D];哈尔滨工业大学;2010年

8 薛鹏飞;预应力混凝土连续刚构桥结构性能退化预测评估研究[D];浙江大学;2009年

9 潘玉娜;滚动轴承的性能退化特征提取及评估方法研究[D];上海交通大学;2011年

相关硕士学位论文 前10条

1 郭琦;基于性能退化数据的可靠性评估方法研究[D];华南理工大学;2015年

2 魏郁昆;系统可靠性分析中环境因子评估方法研究及软件实现[D];电子科技大学;2014年

3 周杨;滚动轴承性能退化评估技术研究[D];电子科技大学;2014年

4 刘帅君;基于性能退化数据的航空发动机剩余寿命预测[D];电子科技大学;2015年

5 李卉;基于状态监测的滚动轴承性能退化评估[D];大连工业大学;2015年

6 王丹丹;列车滚动轴承性能退化评估方法研究[D];北京交通大学;2016年

7 周枫;基于大数据的航天器性能退化分析方法[D];南京航空航天大学;2015年

8 徐清瑶;基于支持向量数据描述的滚动轴承性能退化评估[D];华东交通大学;2015年

9 翁柳青;考虑传感器性能退化的结构损伤检测[D];福州大学;2013年

10 张扬;材料性能退化对混凝土桥梁安全的影响及对策研究[D];西南交通大学;2016年



本文编号:2758679

论文下载
论文发表

本文链接:http://www.bigengculture.com/jixiegongchenglunwen/2758679.html

相关文章提示点击查看相关文章
论文发表
专著教材出书