資源描述：
《滾動軸承退化狀態(tài)識別技術研究》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、單位代碼10144分類號編號__________'W龍驢!:::以凜撼!1^->；?;>iiv-：'：：iv；.；i：^Iiiia：碩士學位論文題目；和雜YUti/U、J技私砰貧研究生姓名王明華____________________(丄。丨1屆：K：K制'^我自知仏專業(yè)）導師姓名魏ki論文完成日期年玥漆iK義欠$ShenyangLigongUniversity沈陽理工大學碩士學位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導師的指導下，由作者本、獨立完成的。有關觀點、方法、數(shù)據(jù)和文獻的引用已在文中指出，并與參考
2、文獻相對應。除文中已注明引用的內容外，本論文不包含任柯其他個人或集體已經公開發(fā)表的作品成果。對本文的研究做出重要貢獻的個人和集體，均己在文中以明確方式標明。本人完全意識到本畝明的法律結果由本人承擔。作者（簽字h五明年日期：1C年3月仏曰學位論文版權使用授權書本學位論文作者完全了解沈陽理工大學有關保留、使用學位論文的規(guī)定，即：沈陽理工大學有權保留并向國家有關部門或機構送交學位論文的復印件和磁盤，允許論文被查閱和借閱。本人授權沈陽理工大學可以將學位論文的全部或部分內容編入有關數(shù)據(jù)庫進行檢索，可以采用影印、縮印或其它復制手段
3、保存、匯編學位論文。(保密的學位論文在解密后適用本授權書）學位論文作者簽名：王指導教師簽名：曰期：日期：分類號：TH17密級：ＵＤＣ：621編號：類√□全日制學術型碩士□全日制工程碩士別□在職工程碩士工學碩士學位論文滾動軸承退化狀態(tài)識別技術研究碩士研究生：王明華指導教師：魏永合教授學科、專業(yè)：機械制造及其自動化沈陽理工大學2015年3月分類號：TH17密級：ＵＤＣ：621編號：工學碩士學位論文滾動軸承退化狀態(tài)識別技術研究碩士研究生：王明華指導教師：魏永合教授學位級別：工學碩士學科、專業(yè)：機械制造及其自動化所在單位：機械
4、工程學院論文提交日期：2014年12月15日論文答辯日期：2015年3月7日學位授予單位：沈陽理工大學ClassificationIndex:TH17U.D.C:621ThesisfortheMasterDegreeofScienceinEngineeringResearchontheDegradationStateRecognitionTechnologyofRollingBearingsCandidate:WangMinghuaSupervisor:Prof.WeiYongheAcademicDegreeAppli
5、edfor:MasterofScienceinEngineeringSpeciality:MechanicalManufacturingandAutomationDateofSubmission:December，2014DateofExamination:March，2015University:ShenyangLigongUniversity摘要作為旋轉機械中使用最普遍的關鍵組件—滾動軸承，其狀況對它所支撐的轉子甚至整臺設備的正常運轉具有重要的影響作用。滾動軸承故障的發(fā)展具有一個由輕微到嚴重的變化過程，準確及時地識
6、別出運行過程中滾動軸承的退化狀態(tài)，可以合理指導制定性能檢查和替換維護計劃，對提高整個機械設備運行的可靠性具有重要的意義。本論文中采用改進的集合經驗模態(tài)分解（EEMD）和支持向量機（SVM）相結合的方法進行滾動軸承的退化狀態(tài)識別。EEMD法能將信號自適應地分解到不同的尺度上,特別適合對于非穩(wěn)定、非線性的信號進行處理。本文采用的改進EEMD法根據(jù)分解過程中信號和加入的白噪聲的特點來選擇EEMD的參數(shù)，這避免了傳統(tǒng)EEMD法的根據(jù)經驗人為選取參數(shù)，分解結果不夠準確問題。之后對分解后所得到的的固有模態(tài)函數(shù)（IMF）分量進行閾值
7、處理后再重構，以降低噪聲的干擾。對重構后的信號再進行包絡譜分析，提取其故障特征，以確定滾動軸承發(fā)生故障的具體位置。準確地評估滾動軸承退化狀態(tài)的關鍵問題是如何在有限的狀態(tài)數(shù)據(jù)下建立合適的模型。而SVM正是一種解決小樣本分類與預測的機器學習算法，該算法是建立在結構風險最小化原理和統(tǒng)計學習理論的VC維理論基礎之上的，依據(jù)有限的數(shù)據(jù)樣本在學習能力和模型的復雜性之間尋求最佳折衷，從而可以獲得較好的分類識別準確率。本文在EEMD分解提取故障特征的基礎上，根據(jù)不同故障類型通過GA和SVM來提取滾動軸承的退化狀態(tài)識別特征，利用滾動軸承
8、退化狀態(tài)概率分布以及歷史剩余壽命來確定其最優(yōu)退化狀態(tài)數(shù)目建立退化狀態(tài)識別模型。最后用不同退化狀態(tài)的測試數(shù)據(jù)作為特征和參數(shù)經過GA優(yōu)化過的SVM的輸入向量進行滾動軸承退化狀態(tài)的識別分類。經實際軸承故障數(shù)據(jù)驗證表明，該方法可以實現(xiàn)滾動軸承退化狀態(tài)的準確識別。關鍵詞：滾動軸承；故障特征提取；集合經驗模態(tài)分解；支持向量機；退化Abstra
