基于rvm的滚动轴承故障诊断方法研究

《基于rvm的滚动轴承故障诊断方法研究》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、分类号密级公开UDC学位论文题目：基于RVM的滚动轴承故障诊断方法研究研究生姓名：刘勇学科专业名称：模式识别与智能系统研究方向：图像处理与模式识别论文类型：应用研究申请学位：工学硕士指导教师姓名：徐涛指导教师职称：副教授指导教师单位：沈阳航空航天大学论文提交日期：2015年01月06日论文答辩日期：2015年03月10日沈阳航空航天大学2015年03月SHENYANGAEROSPACEUNIVERSITYTHESISFORMASTER’SDEGREERESEACHONFAULTDIAGNOSISM

2、ETHODSFORROLLINGBEARINGBASEDONRELEVENCEVECTORMACHINECandidate：YongLiuSupervisor：TaoXuSpecialty:PatternRecognitionandIntelligentSystemDate:March2015摘要滚动轴承是一种相对滚动摩擦的精密元件，也是运转机械设备的关键易损部件。因多种原因的作用和影响，造成了该部件的易损性远高于其他部件。所以，在被广泛应用的同时，因其故障对机械设备所造成的负面影响及重大经济损失

3、也不可小觑。因此，采取有效的诊断方法及时维护排除运行故障，已经成为当今滚动轴承的重点研究工作之一。本文总结滚动轴承不同故障的振动原理及其特征，研究相关向量机基本理论，讨论核函数的关键作用，设计了相关向量机的智能诊断方法。针对滚动轴承的正常、内圈故障、外圈故障和滚动体故障四种状态：首先，通过谐波小波包分解故障数据，利用各频段的小波分解系数计算特征能量，将其作为特征向量；其次，针对传统高斯核函数进行优化，在距离测试点无限远时改进型核函数仍保持一定的衰减，并与K邻域算法结合，提高了相关向量机的模式识别效

4、率。第三，考虑多故障识别问题，将RVM与“决策树”方法结合构造DT-RVM模型，并细化识别过程，把容易分类的模式放在前面进行识别，提高分类效果。最后，改进投票机制，引入分支理论，构造“一对一”新算法，将其与RVM相结合构造多模式判别模型，实现了故障识别分类。利用美国西储大学滚动轴承试验台数据验证了不同诊断方法的实际性能。结果表明：与SVM相比，相关向量个数较少，同时诊断精度较高。同样应用RVM作为分类器，与其他多模式识别方法相比，本文提出的方法不同程度降低了故障识别的错误率，并减少了诊断所需时间。

5、关键词：滚动轴承；故障诊断；相关向量机；谐波小波包；IAbstractRollingbearingisakindofprecisioncomponentandalsoisakeyquick-wearingparofrotatingmachinery.Becauseofdifferentreasons,itismorevulnerablethantheother.So,thenegativeeffectandpecuniarylossshouldnotbeoverlookedwhenitiswide

6、lyused.Totakeeffectivediagnosticmethodsandtimelyexcludeoperationalfailureshasbecomeoneoftheactualandkeyfocusonstudyingrollingbearing.Thisarticlesummarizesvibrationprincipleandcharacteristicsofthedifferentrollingbearingfaults,makesresearchesonthebasict

7、heoryofRelevanceVectorMachine,discussesthefunctionofkernelfunction,introducesanewintelligentdiagnosismethodbasedonRVMforfourconditionofrollingbearing:thenormal,innerfault,outerfault,rollingbodyfault.First,failuredataisdecomposedbyharmonicwaveletpacket

8、toobtainfeaturevectorbasedonwaveletdecompositioncoefficientsatanyfrequency.Second,themodifiedkernelfunctionwhichoptimizethetraditionalGaussiankeepscertainattenuationwhenthedistanceisinfinitelyfarfromthetestpoints,combineswith“KNearestNeighborh