基于1(1-2)維譜熵與支持向量機的滾動軸承故障診斷研究.pdf

1、在旋轉(zhuǎn)機械中，滾動軸承是最為常用和關(guān)鍵的元件之一，也是易損壞的零部件，其缺陷會導(dǎo)致機械設(shè)備產(chǎn)生異常振動，從而使許多旋轉(zhuǎn)機械出現(xiàn)故障，甚至造成設(shè)備和人員的重大損傷。因此，研究滾動軸承的故障診斷技術(shù)具有重要的現(xiàn)實意義。
　　振動分析法是滾動軸承檢測與故障診斷的一種主要檢測方法，其通過采集并處理軸承的振動信號，從中提取表征軸承狀態(tài)信號的特征，通過這些特征，采用模式識別方法來識別軸承狀態(tài)，其中信號特征提取和狀態(tài)識別是故障診斷中的關(guān)鍵。本文

2、的研究內(nèi)容主要包括兩個部分:
　　研究了滾動軸承故障信號特征的提取。1(1/2)維譜與一些傳統(tǒng)的特征提取方法相比，能夠有效的抑制高斯噪音的干擾，識別滾動軸承發(fā)生局部損傷后產(chǎn)生的二次相位耦合特征，在1(1/2)維譜圖上只顯示出參與頻率耦合的分量，因此較適合于滾動軸承故障特征的提取。鑒于滾動軸承的故障振動信號具有非高斯、非線性、非平穩(wěn)的特性，本文利用1(1/2)維譜估計方法，再結(jié)合小波包理論與譜熵理論，采用了一種基于1(1/2)維譜熵

3、來構(gòu)造特征向量的方法。
　　研究了支持向量機在滾動軸承診斷中的應(yīng)用。特征量的選擇對支持向量機故障分類的準(zhǔn)確性影響很大，而懲罰參數(shù)和核函數(shù)參數(shù)對故障診斷的準(zhǔn)確性也有較大影響，因此本文建立了針對滾動軸承的支持向量機分類器模型，采用了遺傳算法對支持向量機分類器模型的參數(shù)進行自適應(yīng)優(yōu)化。通過實驗對比了1(1/2)維譜熵與小波包能量提取故障特征向量的兩種方法，結(jié)果表明，采用遺傳算法能夠有效的提高識別率，但特征向量的選取才是問題的關(guān)鍵，因此采