基于最小二乘支持向量机的滚动轴承故障诊断研究

《基于最小二乘支持向量机的滚动轴承故障诊断研究》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、硕士学位论文：基于最小二乘支持向量机的滚动轴承故障诊断研究第1章绪论1.1研究背景及意义故障诊断学是本世纪六七十年代产生并发展起来的一门综合性学科，经过几十年的发展，理论研究取得了重大进展。在众多故障诊断分支中，旋转机械故障诊断是一个极为重要和引人注目的分支。旋转机械如汽轮机、燃气轮机、水轮机、发电机、航空动机、离心压缩机、烟机等机械设备，是电力、石油化工、冶金、机械、航空以及军事工业部门的关键设备。旋转机械长期处于运行状态，任何一个小小的故障，都可能引起连锁反应[1]。因此，旋转机械故障发生频率较高，且往往造成巨大经济损失甚至灾难性后果。1988年秦岭电厂5号机组主轴断裂，损

2、失达亿元以上。自1970年以来，国外类似的事故正式报道就达五十多起[2]，如1971年美国300MW发电机的断轴毁机事件，1973年前西德600MW发电机组联轴器变形事件等。轴承是旋转机械中最常用的重要零件之一，也是易损坏的零件之一，而滚动轴承又是设备中最基本的而且拥有量最多的机械零部件之一，其运行状况的好坏直接影响到整个机械设备的性能。几乎所有的旋转机械设备故障在不同程度上都和滚动轴承有关，据统计旋转机械的故障有30%是由滚动轴承故障引起的[3]。与其它机械零部件相比，滚动轴承有一个突出的特点，就是其寿命离散性大，也就是说，同样的材料、同样的加工工艺、同样的设备、同样的工人加

3、工出一批滚动轴承，其寿命相差很大。因而在实际工程应用中，有的轴承已大大超过设计寿命而依然完好无损地工作，而有的轴承远未达到设计寿命就出现故障。如果我们按设计寿命对其进行定时维修，则会出现以下情况：一方面，达到设计寿命而依然完好的轴承只能拆下来做报废处理，浪费了人力物力；另一方面，未达到设计寿命而出现故障的轴承，使得机械设备在出现故障后的这段时间内工作精度下降，或者未达到维修时间时就出现严重故障，导致机械设备无法正常工作甚至出现严重的事故。作为国家自然科学基金项目“基于不完备信息处理的包装过程故障诊断方法研究”（60774069）和湖南省自然科学基金项目“基于传感器最优配置的一类

4、非线性时变系统故障检测方法研究（06JJ2064）”的子项目，本论文通过针对滚动轴承故障机理的分析，建立基于信号处理方法与基于知识方法相结合的故障诊断1万方数据第1章绪论框架，旨在用智能方法弥补基于模型故障诊断方法在机械建模方面的不足，具有一定的理论价值和广泛的实际应用前景。1.1滚动轴承故障诊断的研究现状滚动轴承故障诊断方法可以划分为基于解析模型的方法、基于知识的方法和基于信号处理的方法三类[4]。1．基于解析模型的方法基于解析模型的故障诊断方法需要建立被诊断对象的较为精确的数学模型，主要有基于观测器方法、等价空间方法和参数估计方法[5]。其中基于观测器的故障诊断方法研究最为

5、深入，该方法充分利用被诊断对象机理知识建立的数学模型，有效地对系统中的故障进行检测、分离和辨识[7-9]。文献[6]在总结基于观测器故障检测方法基础上，提出了基于解析模型的滚动轴承故障检测方法，通过构造一个线性全阶输出观测器，实现对滚动轴承故障的检测。2．基于知识的方法基于知识的故障诊断方法常见的有：模式识别法、模糊识别法、人工智能法、演化算法、人工神经网络法，以神经网络方法和模糊方法为主[11-12]。人工神经网络作为一种自适应的模式识别技术，通过自身的学习机制自动形成所要求的决策区域。文献[13]应用参数化时频谱和BP神经网络方法对滚动轴承故障信号进行分类和辨识。文献[14

6、]采用径向基函数人工神经网络，通过学习和训练，实现两个样本空间之间的非线性映射,完成滚动轴承故障模式的识别。文献[15]针对传统人工神经网络在故障诊断中应用的局限性，提出一种基于小波变换、遗传算法与神经网络方法融合的故障诊断方法，该方法先用小波变换对原始采样信号进行特征提取，再用遗传算法优化选择最为重要的特征作为神经网络的输入参数，最后由神经网络进行状态识别和特征分类。文献[11]总结了轴承故障诊断的模糊规则，并把这些规则映射到模糊神经网络,提高了诊断的智能性。3．基于信号处理的方法基于信号处理的故障诊断方法不需要建立对象的数学模型，主要有时域分析法、频域分析法和时频域分析法。

7、时域分析法直接分析轴承振动信号，得到信号的峰值、均方根值（RMS）以及振幅因数、峭度等时域无量纲参数等，这些参数值在出现故障时要比轴承正常时的值大得多，通过比较这些值可以判定轴承是否出现故障。文献[16]应用均方根值、峰值指标、波形指标、峭度等时域指标判别滚动轴承的故障情况。文献[17]利用振动信号的峭度和峰值的分布情况来确定滚动轴承的故障类型和严重情况。基于时域无量纲参数诊断的缺陷是：轴承型号、所在旋转部位、主轴转速、甚至万方数据硕士学位论文：基于最小二乘支持向量机的滚动轴承故障诊断研究环