基于小波包和支持向量機的滾動軸承故障識別方法.pdf

1、在機械系統(tǒng)運行中，其旋轉(zhuǎn)機械的故障發(fā)生率中有30[％]是由于軸承故障而引起的，若能較快地發(fā)現(xiàn)并預(yù)測軸承故障類型，使工作人員能夠及時采取相應(yīng)的措施，將故障消滅在萌芽狀態(tài)，可以較好地起到維護設(shè)備完善和保護人員安全的作用。所以，對滾動軸承的開展故障診斷方法研究，具有很強的實際意義。
　　 本文首先分析了滾動軸承的振動機理與信號特征，并在滾動軸承模擬故障實驗臺上，對正常軸承及分別含有內(nèi)圈損傷、外圈損傷、滾動體點蝕的滾動軸承進行了故障實驗

2、，采集了它們不同故障形式下的振動信號。
　　 目前小波包方法是一種在多分辨分析基礎(chǔ)上構(gòu)成的正交分解的時頻分析方法。它既可以在低頻和高頻部分進行分解，自適應(yīng)地確定信號在不同頻段上的分辨率，還可以將包括正弦信號在內(nèi)的任意信號劃歸到相應(yīng)的頻帶里，而這些分解的頻帶信號都具有一定的能量。因此本文接下來采用每個頻帶里包含的信號能量作為特征向量，來表征滾動軸承的運行狀態(tài)。
　　 在機械設(shè)備進行智能故障識別中，近年來開展的信號識別方法研

3、究中，支持向量機(SVM)是基于少樣本情況下，就機器學(xué)習(xí)問題所建立的一種新的智能故障識別理論體系，它可以較好地解決數(shù)據(jù)小樣本、高維及非線性等實際問題。本課題基于多分類支持向量機的故障自動識別技術(shù)，在“一對一”多分類算法的基礎(chǔ)上，結(jié)合決策樹理論和投票理論，構(gòu)造一種多分類算法，找到一種既能夠提高已知少量樣本的重復(fù)利用度，又可以維持每個子分類器正負訓(xùn)練樣本的對稱問題，而且能顯著提高分類的精度的方法。
　　 用已經(jīng)提取的模擬樣本能量特征