经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究

《经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TH17密级：公开国际图书分类号：621西南交通大学研究生学位论文经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究年级2015级姓名栗蕴琦申请学位级别工学硕士专业精密仪器及机械指导老师林建辉教授二零一八年五月ClassifiedIndex:TH17U.D.C:621SouthwestJiaotongUniversityMasterDegreeThesisAPPLICATIONSTUDYOFEMPIRICALWAVELETTRANSFORMANDSUPPORTVECTORMACHI

2、NEINFAULTDIAGNOSISOFROLLINGBEARINGSGrade:2015Candidate:LiYunqiAcademicDegreeAppliedfor:MasterofEngineeringSpeciality:PrecisionInstrumentsandMachinerySupervisor:Prof.LinJianhuiMay，2018西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件

3、和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本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、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1．保密□，在年解密后适用本授权书；2．不保密，使用本授权书。（请在以上方框内打“√”）学位论文作者签名：指导老师签名：日期：日期：西南交通大学硕士学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下：（1）本文通过对经验小波变换的深入研究，针对传统EWT方法在频带自适应划分中存在的缺点，提出了一种改进的经验小波

4、变换方法—ESEWT方法，并且将其应用到滚动轴承的故障诊断中。经过实验验证，该方法能够在一定程度上改善频带破裂现象，精确提取轴承的故障特征频率，凸显其谐波成分，有效地确定轴承故障。（2）本文提出了基于ESEWT和SVM的滚动轴承故障诊断方法，将传统的时域特征参数峭度、脉冲因子、峰值因子、裕度因子和由信息熵构造出的奇异值熵、能量熵、排列熵、样本熵相结合，共同作为特征向量输入到SVM模型中进行训练。经过实验验证，该方法能够准确识别出轴承的故障类型，证明了其在实际工程中的可靠性和实用性。本人郑重声明：所呈交

5、的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名：日期：西南交通大学硕士研究生学位论文第I页摘要滚动轴承是旋转机械的核心，但是由于其工作强度大、所处的工作环境恶劣，极易成为损坏部件。所以，及时对滚动轴承的故障类型进行识别判断，可以有效地确保机械系统安全运行，具有十分重要的意义。本文

6、以滚动轴承为研究对象，将改进的经验小波变换和支持向量机结合，共同应用到滚动轴承的故障诊断中。本文的主要研究内容如下：首先回顾了故障诊断技术的发展历程以及对振动信号的处理方法，分析了滚动轴承发生故障的原因，从理论上推导分析了其故障特征频率和典型故障的振动特性。其次介绍了经验小波变换（EmpiricalWaveletTransform,EWT）理论，因为其无法精确地实现Fourier谱的自适应分割，因此提出了一种基于能量的尺度空间经验小波变换方法（EnergySpaceEmpiricalWaveletTr

7、ansform，ESEWT），并且将此方法用于滚动轴承的故障诊断。首先使用尺度空间的方法对Fourier谱进行自适应划分，得到各频带分界点；接着根据各频带能量筛选频带分界点，使其保留能量大于均值的频带，合并小于均值的相邻频带；然后在得到有效的频带分界点后，设计滤波器组，得到分量信号；最后对各分量信号进行Hilbert变换，从中提取滚动轴承的故障特征频率。通过试验验证，ESEWT方法能够减少频带分界点，在一定程度上改善频带破裂现象，并且能够精确提取滚动轴承的故障特征频率，凸显故障频率及其谐波成分，有效地

8、判断轴承故障。最后介绍了统计学理论和支持向量机（SupportVectorMachine，SVM），提出了基于ESEWT和SVM的滚动轴承故障诊断方法。该方法对振动信号进行ESEWT分解，分别提取振动信号的峭度、脉冲因子、峰值因子、裕度因子和经ESEWT分解后分量信号的奇异值熵、能量熵、排列熵、样本熵共同做为特征向量，输入到SVM模型中进行训练得到故障分类器，并且对测试样本进行分类识别。经过实验验证，该方法具有较高的分类准确率，证明了其在实际工程应用中的