| 论文中文题名： | 基于机器学习的电机轴承故障诊断方法研究 |
| 姓名： | |
| 学号： | 18206204094 |
| 保密级别： | 公开 |
| 论文语种： | chi |
| 学科代码： | 080804 |
| 学科名称： | 工学 - 电气工程 - 电力电子与电力传动 |
| 学生类型： | 硕士 |
| 学位级别： | 工程硕士 |
| 学位年度： | 2021 |
| 培养单位： | 西安科技大学 |
| 院系： | |
| 专业： | |
| 研究方向： | 电力电子与电力传动 |
| 第一导师姓名： | |
| 第一导师单位： | |
| 论文提交日期： | 2021-06-21 |
| 论文答辩日期： | 2021-05-29 |
| 论文外文题名： | Research of Motor Bearing Fault Diagnosis Methods Based on Machine Learning |
| 论文中文关键词： | |
| 论文外文关键词： | Bearing Fault Diagnosis ; Ensemble Empirical Mode Decomposition ; Energy Entropy ; Dispersion Entropy ; Support Vector Machine ; Grey Wolf Optimization |
| 论文中文摘要： |
电机轴承作为现代工程和机电装置中举足轻重的基础性零部件，在工业生产中扮演着至关重要的角色。随着我国工业机电设备朝着数字化和智能化的不断发展，更加考验轴承保证机电设备正常运作的能力，如不及时发现其潜在或早期的故障状态，将给生产作业安全带来隐患，甚至会导致重大安全生产事故。本文以电机轴承故障诊断为目的，主要从振动信号预处理、特征提取与融合、故障诊断模型建立与改进三个部分进行深入分析和研究。 本文在分析了轴承的结构、故障机理、频率特性的基础上，首先，介绍了常见的处理非稳态信号的时频分析方法，针对轴承故障或潜在故障状态下振动信号的非线性、非平稳特性，引入小波变换方法进行去噪处理。对比分析了经验模态分解与集合经验模态分解两种信号分解算法，并选择提取效果更优的集合经验模态分解做信号分解与重构。计算本征模态分量的能量熵和重构信号的精细复合多尺度散布熵，通过级联和加权求和两种特征融合方法构建特征集。其次，由于传统的优化算法识别率不高、速度较慢，通过引入Tent混沌映射、非线性收敛因子，并借鉴遗传算法的变异策略引入扰动因子，对灰狼优化算法（Grey Wolf Optimization，GWO）进行了改进。算法性能测试结果表明，改进后的灰狼算法收敛速度快，能有效地避免陷入局部最优点。然后，将支持向量机（Support Vector Machine，SVM）方法应用于故障诊断，利用改进的灰狼算法优化支持向量机的惩罚因子和核函数参数，搭建性能更好的故障诊断模型，进而建立一种基于小波去噪、融合特征、改进灰狼算法和支持向量机相结合的故障诊断模型。 最后，在上述工作的基础上，对本文采用的级联融合特征集、改进灰狼优化算法和故障诊断方法进行有效性验证。通过实验验证PSO-SVM、GWO-SVM和改进的GWO-SVM诊断模型，对比结果表明，级联融合特征集能更好的表征轴承故障特征，改进灰狼算法具有较强的优化能力，改进的GWO-SVM故障诊断模型能有效加快诊断速度、提高准确率。 |
| 论文外文摘要： |
As an important basic component in modern engineering and electromechanical equipment, motor bearing plays a key role in industrial production. With the continuous development towards digitalization and intelligence of industrial electromechanical equipment in our country, it brings more challenges on the ability of motor bearing to ensure the normal operation of electromechanical equipment. If the potential or early failure of motor bearing was not found in time, it will bring great hidden danger to the safety of mechanical work and serious production accident. The thesis aims at motor bearing fault diagnosis, and conducts in-depth analysis and research from three parts: vibration signal preprocessing, feature extraction and fusion, and fault diagnosis model establishment and improvement. In this paper, based on the analyzes of the structure, failure mechanism, frequency characteristics of the bearing, and common time-frequency analysis methods for handling unsteady signals, firstly, in view of the non-linear and non-stationary characteristics of the bearing fault vibration signal, the wavelet transform method was introduced for denoising processing. The two signal decomposition algorithms of empirical mode decomposition and ensemble empirical mode decomposition were compwered and analyzed, and the ensemble empirical mode decomposition with better extraction effect was selected for signal decomposition and reconstruction. The energy entropy of the intrinsic modal components and the fine composite multi-scale dispersion entropy of the reconstructed signal were calculated, and the feature set was constructed by two feature fusion methods of cascade and weighted summation. Secondly, due to the low recognition rate and slow speed of traditional optimization algorithms, the gray wolf optimization (GWO) algorithm was improved by introducing Tent chaotic mapping, nonlinear convergence factors, and introducing disturbance factors from genetic algorithm mutation strategies. Algorithm performance test results show that the improved gray wolf algorithm has a fast convergence speed and a strong ability to jump out of local extremes. Then, the support vector machine (SVM) method was applied to fault diagnosis, and the improved gray wolf algorithm was used to optimize the penalty factor and kernel function parameters of the support vector machine to build a fault diagnosis model with better performance. Afterwards a fault diagnosis model based on the combination of wavelet denoising, feature fusion, improved gray wolf algorithm and support vector machine was established. Finally, based on the above work, the effectiveness of the cascaded fusion feature set, improved gray wolf optimization algorithm and fault diagnosis method used in this paper was verified. The diagnosis models of PSO-SVM, GWO-SVM and improved GWO-SVM is verified through experiments. The comparison results show that the cascade fusion feature set can better characterize the bearing fault characteristics, and the improved gray wolf algorithm has strong optimization capabilities, and the improved GWO-SVM diagnosis model can effectively speed up the diagnosis and improve the accuracy. |
| 参考文献： |
国务院. 中国制造2025[G]. 北京: 人民出版社, 2015. [2] 徐青青, 赵海芳, 李守军. 一种煤矿机械轴承故障诊断方法[J]. 工矿自动化, 2019,45(10):80-85. [3] 陈伏虎. 煤矿高压变频隔爆型三相异步电动机的结构创新设计[J]. 机械管理开发, 2019,34(03):22-23. [5] 王磊. 基于电信号自适应滤波的感应电机故障诊断与状态评估[D]. 华南理工大学, 2018. [6] 耿珊. 油液监测在风机故障诊断中的应用[J]. 甘肃科技, 2020,36(11):50-54. [7] 陈海真. 基于摩擦学的齿轮传动设计[J]. 农机化研究, 2005(05):153-155. [8] 林丽, 邓春, 经昊达, 等. 基于油液在线监测的齿轮箱磨损趋势分析与研究[J]. 材料导报, 2018,32(18):3230-3234. [9] 李勇刚. 煤矿机械设备的使用维修和故障诊断[J]. 内蒙古煤炭经济, 2020(14):153-154. [10] 王俊芳, 任建业, 申海利. 煤矿机电设备故障诊断技术研究[J]. 山东工业技术, 2016(11):67. [11] 季凯. 对化工仪表故障检测及维修的分析[J]. 中国设备工程, 2019(09):105-106. [12] 柳小勤, 汤林江, 侯凯泽, 等. 基于声发射的滚动轴承损伤定位方法研究[J]. 振动与冲击, 2020,39(15):176-182. [13] 周涛, 柳小勤, 周俊, 等. 基于声发射的发动机制造线工业机器人故障诊断[J]. 设备管理与维修, 2020(11):157-160. [14] 金志浩, 迟展, 于宝刚. 基于声发射技术的减速顶故障诊断[J]. 沈阳化工大学学报, 2020,34(02):147-152. [15] 王楠, 孙凤久, 陈长征. 基于小波分析的低速重载轴承故障诊断[J]. 东北大学学报, 2005(01):281-283. [16] 杨国安. 滚动轴承故障诊断实用技术[M]. 北京: 中国石化出版社, 2012. [17] 万书亭, 吴美玲. 基于时域参数趋势分析的滚动轴承故障诊断[J]. 机械工程与自动化, 2010(03):108-110. [18] 王金福, 李富才. 机械故障诊断技术中的信号处理方法:时域分析[J]. 噪声与振动控制, 2013,33(02):128-132. [19] 陈珊珊. 时域分析技术在机械设备故障诊断中的应用[J]. 机械传动, 2007(03):79-83. [20] 郭庆丰, 王成栋, 刘佩森. 时域指标和峭度分析法在滚动轴承故障诊断中的应用[J]. 机械传动, 2016,40(11):172-175. [21] 王志永, 杜伟涛, 王习文, 等. 基于振动信号时域分析法的铣齿机故障诊断[J]. 科学技术与工程, 2017,17(32):55-62. [22] 王金福, 李富才. 机械故障诊断的信号处理方法:频域分析[J]. 噪声与振动控制, 2013,33(01):173-180. [23] 张文义, 于德介, 陈向民. 基于信号共振稀疏分解与能量算子解调的轴承故障诊断方法[J]. 中国电机工程学报, 2013,33(20):111-118. [24] 冷军发, 杨鑫, 荆双喜. 最小熵解卷积在滚动轴承早期故障诊断中的应用[J]. 机械传动, 2015,39(08):189-192. [25] 宋金波, 王德平, 刘霞. 基于EMD瞬时功率谱熵的神经网络滚动轴承故障诊断[J]. 化工自动化及仪表, 2016,43(08):793-796. [29] 赵柄锡, 冀大伟, 袁奇, 等. 基于时域与时频域联合特征提取和可分度分析的转子系统碰磨故障诊断[J]. 西安交通大学学报, 2019:1-10. [30] 于洪兵, 张亚岐, 周海龙, 等. 基于动态时窗的汽车轴承故障在线检测[J]. 机床与液压, 2019,47(16):205-208. [33] 郭奇, 刘卜瑜, 史立波, 等. 基于二次EEMD的Wigner-Ville分布旋转机械故障信号分析及试验研究[J]. 振动与冲击, 2012,31(13):129-133. [34] 刘方, 沈长青, 何清波, 等. 基于时域多普勒校正和EEMD的列车轴承道旁声音监测故障诊断方法研究[J]. 振动与冲击, 2013,32(24):104-109. [36] 刘中磊, 于德介, 刘坚. 基于故障特征频率的阶比双谱方法及其在滚动轴承故障诊断中的应用[J]. 中国电机工程学报, 2013,33(33):123-129. [37] 梁瑜, 贾利民, 蔡国强, 等. 滚动轴承的非线性动力学故障模型研究[J]. 中国铁道科学, 2014,35(01):98-104. [38] 赵志宏, 杨绍普. 基于小波包变换与样本熵的滚动轴承故障诊断[J]. 振动.测试与诊断, 2012,32(04):640-644. [40] 何志坚, 周志雄. 基于ELMD的样本熵及Boosting-SVM的滚动轴承故障诊断[J]. 振动与冲击, 2016,35(18):190-195. [42] 刘慧, 谢洪波, 和卫星, 等. 基于模糊熵的脑电睡眠分期特征提取与分类[J]. 数据采集与处理, 2010,25(04):484-489. [43] 姜万录, 李扬, 郑直, 等. 基于迭代自适应多尺度形态滤波的滚动轴承故障诊断[J]. 中国机械工程, 2015,26(23):3192-3199. [44] 郑近德, 潘海洋, 程军圣, 等. 基于复合多尺度模糊熵的滚动轴承故障诊断方法[J]. 振动与冲击, 2016,35(08):116-123. [45] 郑近德, 程军圣, 杨宇. 多尺度排列熵及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2013,24(19):2641-2646. [46] 郑近德, 程军圣, 胡思宇. 多尺度熵在转子故障诊断中的应用[J]. 振动.测试与诊断, 2013,33(02):294-297. [49] 张星星, 李少波, 柘龙炫, 等. 基于机器学习算法的滚动轴承故障诊断研究[J]. 组合机床与自动化加工技术, 2020(07):36-39. [50] 朱明新, 尚凯, 杨兴园, 等. 基于随机森林算法的汽车轴承故障检测[J]. 机床与液压, 2020,48(01):179-182. [51] 李超, 郭瑜. 基于SK等指标和SVM的滚动轴承性能退化评估研究[J]. 电子科技, 2020,33(01):6-12. [52] 宿文才, 张树团, 刘涛, 等. 基于ESMD熵融合与PSO-SVM的电机轴承故障诊断[J]. 大电机技术, 2019(05):24-28. [53] 杜坚, 胡洁, 仇芝. 基于改进粒子群相关向量机电机轴承故障诊断[J]. 应用力学学报, 2019,36(04):779-784. [54] 路照坭, 朱希安. 机械传动电机轴承故障信号诊断仿真研究[J]. 自动化仪表, 2019,40(09):46-51. [55] 陈法法, 李冕, 陈保家, 等. 基于混合域特征集与加权KNN的滚动轴承故障诊断[J]. 机械传动, 2016,40(08):138-143. [56] 胡泽, 张智博, 王晓杰, 等. 基于希尔伯特-黄变换和神经网络的滚动轴承故障诊断[J]. 电动工具, 2020(01):11-18. [57] 王煜, 周孟然, 胡锋, 等. 优化神经网络在矿用电机轴承故障诊断的应用[J]. 安徽理工大学学报(自然科学版), 2018,38(04):30-35. [58] 刘国庆, 史小春, 廖强. 基于神经网络分类算法的电机轴承故障检测方法[J]. 微特电机, 2017,45(01):30-33. [59] 张西宁, 雷威, 李兵. 主分量分析和隐马尔科夫模型结合的轴承监测诊断方法[J]. 西安交通大学学报, 2017,51(06):1-7. [60] 王勇. 工业电机中的滚动轴承噪声[J]. 电机与控制应用, 2008,35(6):38-41, 43. [62] 王奉涛, 邓刚, 王洪涛, 等. 基于EMD和SSAE的滚动轴承故障诊断方法[J]. 振动工程学报, 2019,32(02):368-376. [63] 李从志, 郑近德, 潘海洋, 等. 基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法[J]. 中国机械工程, 2019,30(14):1713-1719. [64] 赵振兴. 齿轮传动系统典型故障振动特性研究[D]. 兰州理工大学, 2020. [65] 周建民, 王发令, 张臣臣, 等. 基于特征优选和GA-SVM的滚动轴承智能评估方法[J]. 振动与冲击, 2021,40(04):227-234. |
| 中图分类号： | TM307+.1 |
| 开放日期： | 2021-06-21 |
谷歌
火狐
