论文部分内容阅读
滚动轴承是旋转机械的关键部件,它的健康状况会直接影响到机械系统的正常运行。随着监测技术的发展,所采集到的与滚动轴承运行状态相关的信号的数据量呈指数级增长,使得故障诊断有了“大数据”的概念。因此利用何种先进的技术从大数据中有效提取特征并准确识别滚动轴承的健康状况成为一个新的研究课题。本文以滚动轴承监测参数中的振动信号为研究对象,通过小波包变换、支持向量机(SVM)、BP神经网络对滚动轴承的智能故障诊断进行了研究。本文的主要内容以及结论如下:1.分析了傅立叶变换、短时傅立叶变换在信号分析方面的不足之处,并以小波包变换为手段对滚动轴承的振动信号进行了特征提取。小波包变换能够将原信号分解成多个小波包系数,把每个小波包系数进行信号重构后便生成了能量特征向量。研究表明该特征向量中包含了丰富的故障信息,可以作为智能故障分类方法的样本数据。2.分别研究了以支持向量机和BP神经网络为基础的滚动轴承智能故障诊断模型的训练过程与方法。支持向量机是一种监督式学习方法,其目标是是基于样本数据的支持向量求解得到超平面方程,然后以此超平面方程为判别依据进行分类。对BP神经网络进行训练实质上是基于训练样本优化连接各个神经元之间的权值以及多层感知器中每个神经元的阈值。本文所研究的这两种分类方法拥有各自的优缺点,应根据训练样本数据的实际情况进行方法的选择。3.针对四种滚动轴承的故障状况(正常轴承、外圈故障、内圈故障以及滚珠故障)分别进行了实验。为了更好地评价模型性能,将实验数据分别生成“大样本”和“小样本”集合,并使用Matlab建立了SVM模型和BP神经网络模型。数据处理结果表明SVM模型在对小样本进行诊断时时准确率高于BP神经网络模型;而对大样本进行诊断时时,两种模型的诊断准确率都很高,但SVM模型会耗费更大的计算资源以及时长。理论知识和实验证明小波包变换能够有效提取滚动轴承的故障特征信息;智能诊断方法中SVM模型适用于小样本诊断,BP神经网络更适用于大样本诊断。