| 【中文题名】 | 基于Hilbert-Huang变换的滚动轴承智能诊断方法研究 |
| 【英文题名】 | Research on Intelligent Diagnosis Methods for Bearing Based on Hilbert-Huang Transform |
| 【学科专业】 | 测试计量技术与仪器 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 滚动轴承,故障诊断,Hilbert-Huang变换,经验模态分解,模糊神经网络, |
| 【英关键词】 | rolling bearing,fault diagnosis,Hilbert-Huang Transform,empirical mode decomposition,fuzzy neural network, |
| 【分类导航】 | 工业技术>机械、仪表工业>机械制造工艺>柔性制造系统及柔性制造单元>故障诊断和维护> |
| 【论文摘要】 |
滚动轴承是旋转机械中最常用，也是最易损坏的零部件之一。旋转机械的许多故障都与滚动轴承有关，它的运行状态是否正常往往直接影响到整台机器的性能。因此研究滚动轴承的故障诊断技术具有很现实的意义。
本论文将时频分析新方法——希尔伯特-黄变换(Hilbert-Huang Transform，简称HHT)和自适应模糊神经网络(Adaptive Network-based Fuzzy Inference System，简称ANFIS)相结合应用于滚动轴承故障诊断中，实现了对滚动轴承的智能诊断。主要研究内容包括：搭建实验装置、设计实验方案；通过大量实验获取滚动轴承振动信号，对所得信号进行有效的分析处理，提取信号特征，从而识别出相应的轴承状态；将神经网络与模糊逻辑相结合作为分类器，对滚动轴承的工作状态和故障类型进行分类。
HHT方法包括经验模态分解(Empirical Mode Decomposition，简称EMD)和Hilbert变换两部分。其中EMD是关键，它将信号分解成有限个固有模态函数(Intrinsic Mode Function，简称IMF)之和。然后对每一个IMF进行Hilbert变换... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-9 |
|
第1章 绪论 |
9-19 |
|
1.1 本课题的研究目的和意义 |
9-10 |
|
1.2 轴承故障诊断技术的研究现状 |
10-15 |
|
1.2.1 轴承故障诊断技术的发展状况 |
10-11 |
|
1.2.2 轴承故障诊断文献综述 |
11-15 |
|
1.3 Hilbert-Huang变换的提出和研究现状 |
15-16 |
|
1.4 本课题的主要研究内容 |
16-17 |
|
1.5 本章小结 |
17-19 |
|
第2章 基于Hilbert-Huang变换的时频分析方法 |
19-33 |
|
2.1 概述 |
19 |
|
2.2 经验模态分解方法 |
19-25 |
|
2.2.1 瞬时频率和固有模态函数 |
19-21 |
|
2.2.2 经验模态分解流程 |
21-23 |
|
2.2.3 基于改进的筛选停止准则的EMD |
23-25 |
|
2.3 Hilbert变换和Hilbert谱 |
25-27 |
|
2.4 Hilbert-Huang变换时频分析方法验证 |
27-31 |
|
2.5 本章小结 |
31-33 |
|
第3章 Hlbert-Huang变换与典型时频分析方法的比较 |
33-48 |
|
3.1 概述 |
33 |
|
3.2 HHT与Wigner-Ville分布分析的比较 |
33-42 |
|
3.2.1 Wigner-Ville分布分析的原理 |
34-35 |
|
3.2.2 HHT与Wigner-Ville分布分析的比较研究 |
35-41 |
|
3.2.3 基于EMD的Wigner-Ville分布分析方法 |
41-42 |
|
3.3 HHT与小波分析的比较 |
42-46 |
|
3.3.1 小波分析基本原理 |
42-44 |
|
3.3.2 HHT与小波分析的比较研究 |
44-46 |
|
3.4 本章小结 |
46-48 |
|
第4章 滚动轴承振动信号分析与故障诊断 |
48-63 |
|
4.1 概述 |
48 |
|
4.2 滚动轴承振动信号的特征分析 |
48-51 |
|
4.2.1 滚动轴承的振动机理 |
48-49 |
|
4.2.2 滚动轴承的固有振动频率和故障特征频率 |
49-51 |
|
4.3 滚动轴承故障诊断实验系统简介 |
51-53 |
|
4.3.1 实验装置及硬件设备 |
51-52 |
|
4.3.2 滚动轴承故障实验设置 |
52-53 |
|
4.4 滚动轴承的振动信号分析 |
53-62 |
|
4.4.1 时域分析 |
54-55 |
|
4.4.2 频域分析 |
55-56 |
|
4.4.3 小波分析 |
56-58 |
|
4.4.4 HHT时频分析 |
58-62 |
|
4.5 本章小结 |
62-63 |
|
第5章 滚动轴承故障特征提取及分析 |
63-69 |
|
5.1 概述 |
63 |
|
5.2 利用EMD和小波分解的特征提取方法 |
63-64 |
|
5.3 滚动轴承故障特征提取 |
64-68 |
|
5.4 本章小结 |
68-69 |
|
第6章 基于模糊神经网络的滚动轴承智能诊断 |
69-84 |
|
6.1 概述 |
69 |
|
6.2 神经网络故障诊断方法研究 |
69-75 |
|
6.2.1 BP神经网络结构和算法 |
70-71 |
|
6.2.2 基于BP神经网络的滚动轴承故障诊断 |
71-75 |
|
6.3 模糊神经网络故障诊断方法研究 |
75-82 |
|
6.3.1 模糊理论 |
75 |
|
6.3.2 自适应模糊神经网络ANFIS |
75-77 |
|
6.3.3 基于ANFIS的滚动轴承故障诊断方法的实现 |
77-82 |
|
6.4 诊断结果对比分析 |
82 |
|
6.5 本章小结 |
82-84 |
|
结论 |
84-86 |
|
致谢 |
86-87 |
|
参考文献 |
87-93 |
|
攻读硕士研究生期间发表的论文 |
93 |
|
| 【DOI】 | LunWen.ID:2.2008.384751 |
