基于神经网络的轴承故障诊断技术分析-机械工程专业论文.docxVIP

独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 作者签名： 日期： 年 月 日 论文使用授权 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后应遵守此规定） 作者签名： 导师签名： 日期： 年 月 日 I I 摘要 摘 要 机械设备在航空航天、交通运输、经济生产、冶金化工等各个工业和生产领 域中得到广泛应用。滚动轴承是机械设备中最重要的零件之一，却也是故障高发、 易引起设备运行不稳定的因素。一旦发生故障，将带来严重的影响和危害。如何 保持其健康状态、以及出现故障后能被及时检测和维修，都是非常重要的问题。 因此，对滚动轴承的故障检测和诊断是一个具有重要意义的研究方向。 本文以滚动轴承在正常状态与三种非正常状态（内圈故障状态、滚动体故障 状态和外圈故障状态）下运行时的振动信号数据进行实验分析，通过小波变换、 希尔伯特-黄变换等方法提取信号的特征参量，并将这些参量组成信号的特征向量 作为样本输入到神经网络之中。通过样本特征向量的降维以及对神经网络权值和 阈值寻优，对神经网络性能进行优化，从而实现对样本的模式识别和故障分类。 论文首先简述了滚动轴承故障诊断技术的研究发展历史和现状。随后，对滚 动轴承的结构、故障数据包含的类型、以及故障特征频率等内容进行了介绍，并 进行了简单的时域分析和频域分析。基于滚动轴承信号具有的非平稳特性，应用 离散小波分析、希尔伯特-黄变换和基于参数自适应的 Morlet 小波变换三种时频分 析方法对信号进行分析，三种方法都显示了良好的效果，将三种方法各自提取的 特征参量相结合组成了可以代表轴承故障类型（包括正常状态）的特征向量。通 过 把特征向量 应用到 不同神经网络中 的结果 的 对 比 分 析 ， 选 用 了 Levenberg-Marquardt 型 BP 算法作为状态识别的方法。利用基于欧几里德距离的特 征选取方法对特征向量中的参量进行分析并选择最具有代表性的参量，达到了对 神经网络输入样本进行降维的目的；另外，利用遗传算法对神经网络的权值和阈 值进行优化，使得神经网络的训练速度和精度都得到了很大的提升。最终通过对 测试样本的分析，所研究的方法可以对不同的故障模式进行准确分类，表明了其 对于滚动轴承故障检测和诊断具有很强的适用性。 关键词：滚动轴承，信号处理，小波变换分析，欧几里德距离，神经网络 II II ABSTRACT ABSTRACT Rolling bearing is one of the most important parts in mechanical equipment, especially the rolling equipment. Mechanical equipment is widely used in our society, such as aeronautics and astronautics, transportations, economical productions, metallurgy and chemical industry, Rolling bearing usually work in the critical environment and always prone to failure. Once the bearing failure occurs, it will seriously impact on economic profits, and even do harm to human’s safety. How to keep the rolling bearing’s health, or how to detect the failure immediately and change new bearing in time is of great importance to our daily life. So, it is very meaningful to study the technology of fault diagnostic of the rolling bear