基于kica和lssvm的滚动轴承故障监测及诊断方法

《基于kica和lssvm的滚动轴承故障监测及诊断方法》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、分类号密级ＵＤＣ昆明理工大学硕±学位论文基于ＫＩＣＡ和ＬＳＳＶＭ的滚动釉承故障监测及诊断方法研究生姓名马宝指导教师姓名、职称吴建德教授全测ｊ支木＾巧学科专业斗＾白诗置＾研巧方向旋转机械的故障诊断论文工作起止日期２０？１４年３月２０１５年３月论文提交日期２０１５年５月１２日—进守学术仔为规范承诺本人已熟知并愿意自觉遵守《昆明理工大学研巧生学术规范实施细则（试行）》的所有内容，一承诺所提交的毕业和学位论文是终稿，不存在学术不端

2、行为，且论文的纸质版与电子版内容完全致。二独创性声明本人声明所提交的论文是我个人在导师指导下进行的研究工作及取得的研巧成果，。尽我所知除了文中特别加Ｗ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包含为获得昆明理工大学或其他教育机构的学位或证书而使用过的材料一。与我同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。附件Ｈ学位论文出版授权书我同意将本人学位论文著作权中的数字化复制权、发行权、汇编权和

3、信息网络传播权的专有使用权在全世界范围内授予中国学术期刊（光盘版）电子杂志社（下＂＂简称杂志ｉｔ），同意其在《中国优秀博硕±学位论文全文数据库》和ＣＮＫＩ系巧数据库中出版，未经杂志社书面许可，我不再授权他人Ｗ数字化形式出版本文。我同意《中国优秀博硕±学位论文全文数据库出版章程》规定享受巧关权益。如有任何第Ｈ方未经杂志社许可使用本人论文，，杂志社应追巧其法律责任诉ｉ公的全部费用由杂志社承担。胜诉后，由杂志社与本人按５：５的比例分配所获赔％金。、作者签名；马％主年ＪＴ月／又日学位

4、论文作者信息？论文题目ｆｅ幸／疋碱／巧糸务＾务成獲＾步表成￣Ｉ＾姓名星么￣心学号訓术批＾辩曰期＾＾（；月方日ＩＩ户｜］论文级别博±口硕ｄｂ囚院／系业／所餐糾换丰＿联《电话Ｅｊｎａｉｌ通信地址（邮编）：备注：Ｋｚｆ往开口保密（年）保密的学位论文在解密后应灌守此协＿月至＿＿年＿＿月（＿＿＿议）－１１始－联系电话；０１０６２７９９５６２７９３１７６７９０６９３传真０６２７９１８１４：０１－通信地址：北京清华大学邮局８４４８信箱采编中也邮编：１０

5、００８４学位论文使用授权书本论文作者完全了解学校关于保存、使用学位论文的管理办法及规定，即学校有权保留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权昆明理工大学可Ｗ将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国博±／优秀硕±学位论文全文数据库》进行信息服务，也可Ｗ采用影印、缩印或扫描等复制手段保存或汇编本学位论文。巧：保密学位论文，在解密后适用于本授权书。作者签名－：ｉｔ导师签名：象姜年ｒ月心日Ｗ俾：Ｔ月／文日学院：＾游＊私＆可

6、＾化学号；以＞／去＾０＾王平＾专业：瓜衫叫從丰－（式Ｈ份，交研巧生院学位工作处）昆明理工大学硕±学位论文摘要一种重要的旋转机械设备滚动轴承作为，受其工作环境、工作强度的影响，其使用寿命和故障发生的时间具有不确定性，因此对其运行状态进行监测并且及时地开展故障诊断意义重大。本文Ｗ滚动轴承为研究对象，重点研巧了局部均值分解方法（ＬＭＤ）在轴承振动信号特征提取中的应用、混合域特征集对于全面反应故障特征信息的优势、核独立元分析（ＫＩＣＡ）对轴承运行状态监测、特征提取和最小二乘支持向量机（

7、ＬＳＳＶＭ）在故障分类中的应用。首先，针对传統的故障诊断方法的不足，本文利用了特征参数法分别求出信号的时域和频域恃征、并与信号经ＬＭＤ分解后求得的时频域特征相结合构建海合域特征集，用Ｗ全面地反应故障特征的信息一，为进步进行状态监测和故障分类做准各。过提取信号的时域特征参数构建特征集一其次，并将其作为ＫＩＣＡ的输入作进步，通分析。，结果表明ＫＩＣＡ能够有效地对滚动轴承的运行状态进斤监测，及时地检测出故障同时通过与独立元分析方法（ＩＣＡ）的结果作对比，表明ＫＩＣＡ比ＩＣＡ具备更好的监控性能。

8、最后，，针对构建出的混合域特征集中存在的信息冗余Ｗ及维数过髙等问题本文采用了ＫＩＣＡ方法对混合域特征集进行降维降噪，并将降维么后的特征集输入到ＬＳＳＶＭ中进行分类，结果表明通过构建混合域特征集能够提升轴承故障分类的准确率，并且通过与支持向量机（ＳＶＭ）方法的分类结果作对比，验证了ＬＳＳＶＭ的优越性。