论文部分内容阅读
在现代的机械制造与运用中,各部件之间越来越变的密不可分,当其中一个零件出现故障时就可能影响整个设备正常运转。滚动轴承轴承故障的诊断技术通过对滚动轴承信号提取有效的故障特征信息,可以尽早的发现有问题的零件,及时的避免一些事故的发生。本文主要对滚动轴承系统的故障特征提取与分类识别技术进行研究,重点探讨了滚动轴承故障特征提取、特征选择以及故障类型的分类识别问题。针对以上问题,本文进行了如下工作:第一,对滚动轴承故障的特征提取方法进行研究。针对轴承振动信号,提出了改进的分形盒维数算法,并对信息熵特征提取算法以及希尔伯特黄变换边际谱功率特征的提取方法进行了研究。由于单一特征不能很好区别故障类型,本文使用三种提取方法产生的特征作为组合特征。第二,对滚动轴承故障的特征选择方法进行研究。主要介绍了三种特征选择算法包括序列前向选择算法(SFS)、序列浮动前向选择算法(SFFS)和ReliefF算法,利用这三种特征选择算法对特征提取产生的组合特征进行筛选,选出最优特征的子集,并对仿真结果进行分析。仿真结果表明,ReliefF算法产生的特征子集能够很好地表征原始特征集。第三,对滚动轴承故障的分类识别方法进行研究。介绍了五种分类器的原理,包括Adaboost、梯度提升决策树(GBDT)和Xgboost分类器,利用这三种分类器和传统的k近邻算法(KNN)、支持向量机(SVM)对特征进行分类,并根据仿真结果进行分析与比较。本文的创新点如下:1.提出对振动信号频谱加窗频移的改进分形盒维数算法,在保证准确率的情况下大幅降低了运算量,节约采样过程所需的硬件资源。2.提出将ReliefF算法和GBDT分类器结合的特征选择判别方法,有效的提高了滚动轴承故障诊断的识别率,优于其他分类器和特征集,准确率达到了99%。并且与Xgboost等算法比较时,在保证高识别率的同时又能有效地节约硬件资源。实验证明,本文所提出的轴承故障检测方法具有高准确度、低运算量、低硬件要求等优点,在实际工程中具有很大的应用价值。