基于非線性信號分析的滾動軸承狀態(tài)監(jiān)測診斷研究

《基于非線性信號分析的滾動軸承狀態(tài)監(jiān)測診斷研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、中國科學技術大學博士學位論文基于非線性信號分析的滾動軸承狀態(tài)監(jiān)測診斷研究姓名：劉永斌申請學位級別：博士專業(yè)：精密儀器及機械指導教師：孔凡讓2011-03-20摘要摘要本文針對實測設備振動信號通常具有非線性或非線性成份的特性，以滾動軸承為研究對象，應用非線性信號分析方法對滾動軸承振動信號非線性特征提取與故障診斷進行了深入的理論與應用研究。通過將復雜性測度——排列熵、核主元分析(KPCA)、流形學習方法和支持向量機(SVM)等四種非線性信號分析方法引入軸承故障診斷領域，對滾動軸承振動信號非線性特征提取與診斷進行了系統(tǒng)

2、的研究。排列熵作為復雜性的一種測度，是反映信號序列無序程度的一個重要的非線性特征。將排列熵引入滾動軸承監(jiān)測與故障診斷，提出以排列熵作為表征滾動軸承狀態(tài)的特征，研究用排列熵檢測滾動軸承振動信號的突變的新方法。通過對典型非線性時間序列Logistic映射分析，驗證了用排列熵檢測非線性信號突變的敏感性和有效性。分析數(shù)據(jù)長度、延遲時間以及嵌入維數(shù)等參數(shù)對滾動軸承振動信號排列熵和計算耗時的影響，選擇適合滾動軸承振動信號的最佳參數(shù)，研究不同狀態(tài)下的軸承振動信號的排列熵對狀態(tài)表達的有效性。結果顯示，排列熵可以檢測復雜信號的突變

3、，且算法簡單，計算速度快，可用于監(jiān)測軸承狀態(tài)的變化。利用核主元分析對非線性信號的信息挖掘與降維的作用，在軸承振動信號的時域、頻域和時頻域的原始特征基礎上，研究基于KPCA對原始特征進行降維提取軸承非線性特征表達軸承狀態(tài)的方法，通過對滾動軸承四種狀態(tài)下的核主元聚類性分析表明，在原始統(tǒng)計特征基礎上提取的非線性核主元的聚類性好，狀態(tài)表示性強，有利于實現(xiàn)軸承狀態(tài)智能診斷。在核主元分析方法的基礎上，研究基2于核主元Hotelling’sT和Q統(tǒng)計量的軸承狀態(tài)監(jiān)測方法，通過對滾動軸承狀態(tài)的實例分析表明，該方法可以有效監(jiān)測軸承

4、的故障狀態(tài)。將流形學習方法應用于故障診斷領域，提出利用流形學習方法提取滾動軸承振動信號高維原始統(tǒng)計特征的低維流形上的非線性狀態(tài)特征，研究其表征軸承狀態(tài)的方法。以軸承仿真振動信號和經(jīng)典的非線性高維數(shù)據(jù)SwissRoll和SwissHole為對象，分析LLE、ISOMAP和LTSA三種典型流形算法提取軸承振動信號非線性特征的有效性，結果顯示LTSA流形算法提取的軸承振動信號非線性低維嵌入分量的聚類性好，適合用于軸承狀態(tài)辨識。通過對滾動軸承四種狀態(tài)下振動信號的實例研究，基于LTSA流形算法提取的特征分量與用標準PCA方

5、法提取的主元特征相比，具有聚類性好，類內距小等優(yōu)點，可有效表征軸承狀態(tài)。軸承故障診斷的方法實質是模式識別的問題。針對滾動軸承非線性振動特征與故障樣本少的實際情況，將支持向量機理論應用于軸承故障診斷領域，研究基于“一對多”算法的SVM多類分類器的構建方法?；诜抡孑S承振動信號，通I摘要過交叉驗證的方法選擇最佳核函數(shù)及其參數(shù)，驗證了基于徑向基核函數(shù)的SVM分類器的優(yōu)良分類性能。分別采用KPCA、LTSA兩種非線性特征提取方法與SVM相結合進行了滾動軸承狀態(tài)識別的實例研究，研究表明基于徑向基核函數(shù)的SVM多類分類器在滾

6、動軸承軸承振動信號特征辨識中識別率高，訓練時間適中，具有優(yōu)良的性能，適合非線性小樣本的設備異常狀態(tài)識別。上述方法的研究是建立在實驗驗證的基礎之上，本文基于虛擬儀器技術構建數(shù)據(jù)采集系統(tǒng)，以旋轉機械試驗臺和齒輪減速器為實驗平臺，通過對軸承進行設置故障試驗，驗證了上述方法的可行性和有效性。關鍵詞：非線性，數(shù)據(jù)降維，特征提取，故障診斷，狀態(tài)監(jiān)測，復雜性理論，排列熵，核主元，流形學習，支持向量機，滾動軸承IIAbstractAbstractConsideringthenonlinearityornonlinearcompo

7、nentscontainedinvibrationsignalsfrommechanicalequipment,thispaperinvestigatesnonlinearsignalanalysistoextractthenonlinearfeaturefromvibrationsignals,andaddressesonitsapplicationstoconditionmonitoringandfaultsdiagnosisofrollingbearing.Fournonlinearsignalanalys

8、ismethodsincludingcomplexitymeasurement—permutationentropy(PE),kernelprincipalcomponentanalysis(KPCA),manifoldlearningandsupportvectormachine(SVM)areusedtoextractthenonlinearfeaturesfromv