探析基于音频信号的滚动轴承智能故障诊断方法研究

《探析基于音频信号的滚动轴承智能故障诊断方法研究》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、中南大学硕士学位论文基于音频信号的滚动轴承智能故障诊断方法研究姓名：周宴宇申请学位级别：硕士专业：交通信息工程及控制指导教师：杨胜跃20090501摘要本文以滚动轴承音频信号的故障诊断为研究对象。在对国内外研究现状进行深入分析的基础上，提出了基于小波包分析与倒谱域分析的DWT-LPCC与DWT-MFCC新特征参数，并给出一种基于神经网络和D．S证据理论相结合的信息融合故障诊断方法，并进行了基于音频信号的轴承故障诊断仿真实验。首先分析了轴承故障诊断的研究意义和现状。回顾了传统的轴承故障诊断的方法以及其优缺

2、点，说明在日趋复杂的机械系统中急需新的轴承故障诊断方法的研究和应用。然后，使用小波包理论分析各类型滚动轴承音频信号的不同频带的信号特征，利用小波包分解的信号能量系数改进了传统的MFCC与LPCC的特征向量，并用仿真实验证明了新特征参数DWT-LPCC与DWT-MFCC的有效性。其次，从神经元结构模型入手，详细的分析了神经网络结构和函数映射、BP神经网络的特点。利用MATLAB软件进行了子神经网络故障诊断的仿真实验。从D．S证据理论的基本概念和合成规则入手，分析了证据理论应用于信息融合的有效性。最后，本文

3、设计了一个基于神经网络和D．S证据理论的信息融合故障诊断方法，从待诊断系统的所获信息的特点入手，划分出两个故障特征征兆域，设计两个神经网络分别对系统进行初步诊断，然后将诊断结果转化为基本概率赋值再利用D．S证据理论进行决策层面的信息融合，融合后的结果准确度达到了95％，证明了该诊断方法的可行性和有效性。关键词滚动轴承，故障诊断，小波包，神经网络，D．S证据理论ABSTRACTThisarticletakesrollingbeatingfailurediagnosiswithaudiosignalsaso

4、bjectofresearch．Inthispaper,weanalysisthedomesticandforeignresearchofpresentsituationinthefoundation，proposesthefeatureparameterthosearetheDWT-LPCCandtheDWT-MFCCbasedonthewaveletpacketanalysisandcepstrumanalysis，andgivesainformationfusionfailurediagnosis

5、methodwhichunifiesbasedontheneuralnetworkandtheD—Sevidencetheory,andcarriesonthesimulationexperimentofbearingfailurediagnosiswithaudiosignal．Firstly,wehaveanalyzedthesignificanceandpresentsituationoftherollingbearingfailurediagnosisresearch，reviewedthetr

6、aditionalbeatingfailurediagnosismethodaswellasitsgoodandbadpoints，andexplainedthaturgentlyweneedsthenewdiagnosismethodresearchandtheapplicationdaybydayinthecomplexmechanicalsystem．Then，weusesthewaveletpackettheoreticaltoanalyzevariouskindsofaudiosignalof

7、rollingbearingindifferentfrequencybandsignalcharacteristic，usesthesignalenergycoefficientwhichthewaveletpacketdecomposestoimprovethetraditionalMFCCandthetraditionalLPCCfeaturevector,andhasprovennewcharacteristicparameterthataretheDWT-LPCCandtheDWT-MFCCva

8、liditythroughthesimulationexperiment．Next，weobtainfromtheneuronstructuralmodel，detailedanalysisneuralnetworkstructureandfunctionmapping，BPneuralnetworkcharacteristic．Wehavecarriedonthesub．neuralnetworkfailurediagnosissimul