（安全技术及工程专业论文）滚动轴承故障模式识别方法研究.pdf

独立 容外，本论文不含 任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 作者签名：二阻日期： 关于论文使用授权的说明 却l f 、弓 学位论文作者完全了解北京化工大学有关保留和使用学位论文的规 定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京化工大 学。学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允 许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可 以允许采用影印、缩印或其它复制手段保存、汇编学位论文。 保密论文注释：本学位论文属于保密范围，在土年解密后适用本授 权书。非保密论文注释：本学位论文不属于保密范围，适用本授权书。 作者签名： 鄯重 导师签名：嗍 日期：丝! ! ：兰! 日期：孑丝1 21 ：主l 学位论文数据集 中图分类号 t h l 7 学科分类号 6 2 0 3 0 论文编号 1 0 0 1 0 2 0 1 1 0 6 8 9 密级 公开 学位授予单位代码 1 0 0 1 0 学位授予单位名称北京化工大学 作者姓名郭宙学号 2 0 0 8 0 0 0 6 8 9 获学位专业名称安全技术与工程获学位专业代码 0 8 1 9 0 3 课题来源国家“十一五”支撑研究方向模式识别 论文题目 滚动轴承故障模式识别方法研究 滚动轴承，模式识别，循环统计量，主成分分析， 关键词 经验模态分解，奇异值分解 论文答辩日期 2 0 ll 0 5 2 6事论文类型 应用研究 学位论文评阅及答辩委员会情况 姓名职称工作单位学科专长 指导教师杨剑锋研究员北京化工大学化工过程机械 评阅人l何立东研究员北京化工大学转子动力学 评阅人2杨国安教授北京化工大学故障诊断 评阅人3 评阅人4 撇员蝴何立东研究员北京化工大学转子动力学 答辩委员l高金吉教授北京化工大学设备诊断工程 答辩委员2杨国安教授北京化工大学故障诊断 教授级北京昆仑天辰仪表 答辩委员3 吴海琦 仪器仪表 高工科技有限公司 答辩委员4江志农 研究员 北京化工大学设备诊断工程 答辩委员5王维民 副研究员北京化工大学 设备诊断工程 答辩委员6 马波 副研究员北京化工大学设备诊断工程 注：一论文类型：1 基础研究2 应用研究3 开发研究4 其它 二中图分类号在中国图书资料分类法查询。 三学科分类号在中华人民共和国国家标准( g b t1 3 7 4 5 9 ) 学科分类与代码中 查询。 四论文编号由单位代码和年份及学号的后四位组成 0 方法研究 经济的不断发展，各行业中的 生产装备都朝着大型化、精密化、复杂化、自动化的方向发展。作为应用 最广泛的旋转类机械部件，滚动轴承直接决定并影响着整个系统的生产和 运行状况。一方面，这些技术进步能够提升生产效率，为厂家带来可观的 生产效益和丰厚的利润回报；另一方面，装备的大型化、复杂化、精密化 及自动化也极大提高了装备的生产成本，一旦这些装备发生故障，就会造 成巨大的经济损失和人员伤亡事故。因此，对滚动轴承故障模式识别技术 展开研究，保证其正常运行，具有十分重要的意义。 本研究在国家“十一五科技支撑计划：“危险化学品生产安全保障 关键技术研究 ( 项目编号：2 0 0 6 b a k o l b 0 1 ) 的支持下完成的，主要研 究工作如下： 一、介绍了本课题的研究背景及目的，阐述了模式识别技术在国内外 的研究现状及工程应用，列举了本研究的主要工作内容及创新点。 二、介绍和研究了部分信号处理方法及特征选择和提取技术，主要包 括快速傅里叶变换、循环统计理论、经验模态分解以及基于奇异值分解和 主成分分析的特征提取方法。 三、研究和改进了本论文中的两个重要模型，分别为经验模态分解过 程中的局部均值模型及端点效应模型。在前人的研究基础上，提出了极值 北京化工大学硕士学位论文 域均值和极值问均值相结合的局部均值模型，研究了端点效应处理方法， 取得了一定的效果。 。 四、提出了基于二阶循环统计量的奇异值分解模型的模式识别方法， 并将其引入到滚动轴承故障状态识别中来。借助于c w r i ，轴承数据中心 的滚动轴承不同工作状态数据，对该模型进行了实验验证，取得了较好的 识别结果，可以值得深入研究和应用。 五、提出了基于经验模态分解的主成分分析模型的模式识别方法，并 将其引入到滚动轴承故障状态识别中，在c w r i i 轴承数据中心的试验数 据支持下，对该理论模型进行了实验验证，结果表明识别精度较高，较好 的完成了预期的目标。 关键词：滚动轴承，模式识别，循环统计量，主成分分析，经验模态分解， 奇异值分解 o g n i t i o n i nr e c e n ty e a r s ，w i t ht h ed e v e l o p m e n to fs c i e n c et e c l m o l o g ya n dn a t i o n a l e c o n o m mal a 唱en u m b e ro fm a n u f a c t u r i n ge q u i p m e n t sa r ed e v e l o p e dt o w a 耐s t h ed i r e c t i o no fl a 玛e s c a l e ，p r e c i s i o n ，c o m p l i c a t e da i l da u t o m a t i o n r o l l i n g b e a r i n gi so n eo ft h em o s tu s e 向lm e c h a n i c a lc o i n p o n e n t si nm a n u f a c t u r i n g e q u i p m e n t s ， w h o s eo p e r a t i n gc o n d i t i o nr e l a t e st ot h ew h o l ee q u i p m e n t s o p e r a t i o na n dp r o c i u c t i o n o nt h eo n eh a n d ，t e c l u l i c a la d v a n c e m e n tc o u l dr a i s e t h ep r o d u c t i o ne 伍c i e n c ya n db r i n gc o n s i d e r a l b l ep r o f i t sa n db e n e f i t s ；o nt h e o t h e rh a n d ，t h ec o s t so fp r o d u c t i o ne q u i p m e n th a v eb e e ni n c r e a s i n gg r e a t l y o n c et h ee q u i p m e n tb r e a kd o w no rf a i l s ，i tw i l lc a u s eh u g ee c o n o m i cl o s s e s a n dc a s u a l t i e s t h e r e f o r e ，i ti sv e 拶s i g l l i f i c a n tf o rr o l l i n gb e 痂gt ob es m d i e d o n o p e r l l t i n gc o n d i t i o np a t t e mr e c o g n i t i o n t h i sp a p e ri ss u p p o r t e db yn a t i o n a lk e yt e c l l i l o l o g i c a lr e s e a r c hp r o g 姗 o f c h i n a ：2 0 0 6 b a k o l b 0 1 ，a n dm a i n j o b so f t h ep 印e ra r e 嬲f o l l o w s ： ( 1 ) i n t r o d u c e dt h er e s e a r c hb a c 埏r o u n da n do b j e c t i v eo ft h ep a p e r ， d e s c m e dt h er e l a t e dr e s e a r c ha n da p p l i c a t i o na th o m ea n da b r o a d ，a n dc i t e d t h em a i nt a s l 【sa n di n l l o v a t i o n so ft h ep 印瓯 ( 2 ) i n t r o d u c e da n dr e s e a r c h e ds o m es i g n a lp r o c e s s i n gm e t h o d s ，f e a _ t u r c 北京化工大学硕士学位论文 s e l e c t i o na n de x t r a c t i o nt e c l l i q u e s ，i n c l u d i n gt h ef f t ，c y c l i cs t a t i s t i ct h e o e m p i r i c a lm o d ed e c o m p o s i t i o na n df e a m r e e x t r a c t i o nm e t h o d sb a s e do n s i n g u l a rv a l u ed e c o n l p o s i t i o na i l dp r i n c i p a lc o m p o n e n ta n a l y s i s ( 3 ) r e s e a r c h e da n di i i l p r o v e d t w o i i n p o r t a n t m o d e l si nt h i sp 印e r ， i n c l u d i n gt h ep a n i a lm e a nm o d e la n d e n de 虢c t sm o d e l ，w h i c hb e l o n g e dt o t h et h e o 巧o f e i n p i r i c a lm o d ed e c o i n p o s i t i o n ( 4 ) i n t r o d u c e dt h ep a t t e mr e c o 印i t i o nm o d e lb a s e d o nt h es e c o n d o r d e r c y c l i cs t a t i s t i c sa 1 1 ds i n g u l a rv a l u ed e c o m p o s i t i o n ，a n dp r o v e dt h i sm o d e l w i t h v i b r a t i o nd a t ao fr 0 1 l i n gb e 撕n g 舶mc w r _ u t h er e s u l t ss u g g e s t e dt h a tt h i s m o d e lh a v eh i g hr e c o g n i t i o na c c u m c y ( 5 ) i n t r o d u c e d t h ep a t t e mr e c o g n i t i o nm o d e lb a s e do nt h ee i i l p i r i c a lm o d e d e c o m p o s i t i o na n dp r i n c i p a lc o n l p o n e n ta n a l y s i s t h es 锄et e s tw 弱d o n e ， r e s u l t ss u g g e s t e dt h a tt h i sm o d e lc o u l da l s oh a v eh i g hr e c o g n i t i o na c c u r a c y 1 ( e yw o r d s ： r o l l i n gb e 撕n g ， p a t t e m r e c o g i l i t i o n ，c y c l i cs t a t i s t i c s ， p r i n c i d a lc o m d o n e n ta n a l v s i s e n l p i r i c a lm o d ed e c o n l p o s i t i o n ，s i n 蓦舛1 a rv a l u e p n n c l p a lc o m p o n e n ta i l a l y s l s ，e m p m c a lm o q eq e c o m p o s m o n ，3 m g u l a rv a l u e d e c o m p o s i t i o n 1 1 1 课题来源1 1 1 2 课题研究的目的和意义1 1 2 国内外研究现状2 1 2 1 模式识别技术概述2 1 2 2 工程应用4 1 3 本文研究工作及创新点5 1 3 1 主要研究工作5 1 3 2 本文创新点5 第二章信号处理方法。7 2 1 引言一7 2 2 信号处理方法7 2 2 1 快速傅里叶变换7 2 2 2 循环统计量8 2 2 3 经验模态分解9 2 3 特征的选择与提取一1 3 2 3 1 特征的选择1 4 2 3 2 特征的提取1 4 2 3 3 奇异值分解1 4 2 3 4 主成分分析一15 2 4 本章小结一1 6 第三章改进的信号局部均值及端点延拓模型 3 1 引言17 3 2 改进的信号局部均值模型1 7 3 2 1 前人研究成果。1 7 3 2 2 模型的改进及仿真1 9 3 3 端点效应抑制方法探索2 2 3 3 1 前人研究成果2 2 v 4 2 3 实验数据采集3 2 4 3 基于循环统计量的奇异值分解模型3 3 4 4 试验结果及分析3 5 4 4 1 正常状态3 5 4 4 2 内圈故障状态3 8 4 4 3 外圈故障状态4 0 4 4 4 滚动体故障状态4 3 4 4 5 滚动轴承故障模式识别4 5 4 5 本章小结4 7 第五章基于e m d 的主成分分析模型在滚动轴承故障模式识别中的应用 4 9 5 1 引言4 9 5 2 试验数据采集4 9 5 3 基于e m d 的主成分分析模型4 9 5 3 1 经验模态分解一4 9 5 3 2 主成分分析方法5 0 5 4 实验数据及结果5 l 5 5 本章小结5 5 第六章主要结论及展望。 5 7 6 1 本文的主要研究成果5 7 6 2 后续工作展望5 8 参考文献 致谢 6 1 6 5 攻读学位期间参与的科研项目及发表的学术论文6 7 v 6 9 c o n t e n t s c o n t e n t s 1 1 1r 锱o u r c eo fm et h e s i s 1 1 1 2g o a l sa n de s s e n c e 。1 1 2r e s e a r c hs t 咖sb o mh o m e 锄da b r o a d 2 1 2 1o v e r v i e wo fp a t t e mr e c o 鲥t i o l l 。2 1 2 2a p p l i c a t i o n s 4 1 3j o b sa i l dh m o v a t i o n s 5 1 3 1m a i nj o b s 5 1 3 2l n n o v a t i o n s 5 c h a p t e r2s i g n a lp r o c e s s i n gm e t h o d s 。 2 1l 加d u c t i o n 7 2 2s i 印a lp r o c e s s i n gm e m o d s 7 2 2 1f 勰tf o u r i e rt i 趾s f o m 7 2 2 2c v c l i cs t a t i s t i c s 8 2 2 3e i n p i r i c a lm o d ed e 唧o s i t i o n 9 2 3f e a t l l r es e l e c t i o na 】【l de x t r a c t i o n 13 2 3 1f e a t i l l es e l e c t i o n 14 2 3 2f e a h l r ee x t i - a c t i o n 14 2 3 3s i n g u l a rv 矾u ed e c o m p o s i t i o n 1 4 2 3 4p r i n c i p a lc o m p o n e i l t a n a l y s i s 15 2 4s u m m a r v 16 c h a p t e r3i m p r o v e dt w om o d e l so fe i d1 7 3 1h l t i d i i u c t i o n 1 7 3 2h n p r o v e ds i 印a ll o c a lm e a i lm o d e l 17 3 2 1p r e 、，i o u sr e s e a r c hr 咖l t s 17 3 2 2h i l p r o v e m e n t 锄ds i h m l a t i o no f m em o d e l 1 9 3 3r e s e a r c ho nr e s 臼面no fb o u n d a “e f f e c t s 2 2 3 3 1p r e 忻0 1 塔r e s e a r c hr 咖l t s 2 2 北京化工大学硕士学位论文 3 3 2h n p m v e l t l e n ta i l ds i i n u l a t i o no ft h em o d e l 2 2 3 4s u l n m a r y 。2 8 c h a p t e r4e s t a b l i s h m e n ta n da p p l i c a t i o no ft h e m o d e lb a s e do nc y c l i cs t a t i s t i c sa n ds i n g u l a rv a l u e d e c o m p o s i t i o n 2 9 4 1h l n o d u c t i o n 2 9 4 2d a t ac o u e c t i o n 2 9 4 2 1t e s th l 仃d d u c t i o n 2 9 4 2 2f e a t i l r ef r e q u e n c y 3 0 4 2 3t b s td a t ac o l l e c t i o n 3 2 4 3p 砒锄r e c o 鲥t i o nm o d e lb a s e d0 nc y c l i cs t a t i s t i c sa n ds v m 3 3 4 4t b s tr e s u l t sa n da n a l v s i s 35 4 4 1n o 眦a lc o n d i t i o n 35 4 4 2h m e rr a c ef a u l tc o n d i t i o n 38 4 4 3o u t e fr a c ef a u l tc o n d i t i o n 4 0 4 4 4b a l lf a u l tc o n d i t i o l l 。4 3 4 4 5p a t t 锄r e 鲥e o no fr o l l i n gb e 撕n g 4 5 4 5s l 】n 】m a r y 4 7 c h a p t e r5e s t a b l i s h m e n ta n da p p l i c a t i o no ft h e m o d e lb a s e do ne m p i i u c a lm o d ed e c o m p o s i t i o na n d p r i n c i l a lc o m p o n e n ta n a l y s i s 4 9 5 1h l _ t 1 o d u c t i o n 4 9 5 2d a t ac o l l e c t i o n 4 9 5 3p a _ t t 锄r e c o 鲥t i o nm o d e l b 嬲e do ne m da l l dp c a 4 9 5 3 1e l n p i r i c a lm o d ed e c o m p o s i t i o n 4 9 5 3 2p 血c i p a lc o m p o n 肌ta 埘y s i s 5 0 5 4t e ：s tr e s u l t sa i l da n a l v s i s 51 5 5s 1 1 | n m a r y 5 5 c h a p t e r6c o n c l u s i o na n do u t l o o k 5 7 6 1c o n t r i b u t i o n s 5 7 6 2f u l ：u r e b r k 5 8 r e f e r e n c e s x 6 1 6 5 6 7 6 9 符号说明 符号说明 经验模态分解 本征模态函数 主成分分析 快速傅里叶变换 离散傅里叶变换 按时间抽取 按频率抽取 奇异值分解 支持向量机 v c 维 径向基函数 循环谱密度 时域平滑循环周期图 频域平滑循环周期图 条形谱相关算法 自适应时变滤波分解 极值域均值模态分解 改进的极值域均值模态分解 c a s ew e s t 咖r e s e eu 1 1 i v e r s 蚵 肋脓删肿胛凹脚册删阳脚啪一一删一一一一 本课题来源于国家“十一五 科技支撑计划：“危险化学品生产安全保障关键技 术研究 ( 项目编号：2 0 0 6 b a k 0 l b 0 1 ) ，主要针对旋转机械故障诊断技术( 主要包括 滚动轴承故障模式识别方法) 进行研究和应用。 1 1 2 课题研究的目的和意义 在第三次科技革命完成之后，世界范围内的制造业技术有了巨大的飞跃，兼具了 大型化、综合化、高速化、精密化、复杂化，工艺过程自动化、智能化的特点，特别 在石化行业的种类繁多的透平机械、压缩机、汽轮机、离心机等随着生产的高效能、 高产出而日趋大型化，并且跟生产过程紧密相连，成为了生产的核心设备，需要流水 作业、连续生产。一方面，生产技术的高度密集化创造了巨大的经济利益；另一方面， 由于生产系统的复杂化，影响生产设备的因素数量也迅速增多，因此导致机械设备发 生故障或者出现潜在故障的概率越来越高，任何的非计划停车都会造成恶性的人员伤 亡事故和巨大的经济损失。于是，设备的安全、平稳可靠运行日益收到人们的重视。 纵观过去全世界范围内发生的机械设备重大安全事故以及人员安全事故就数不 胜数【川：1 9 7 1 年，美国的3 0 0 m w 发电机组由于振动而引起转轴断裂，最终造成机 组破坏事件；1 9 7 3 年，原西德的一台6 0 0 m w 汽轮机组联轴器断裂，造成了重大的经 济损失和人员伤亡；1 9 8 6 年，美国“挑战者 号航天飞机在进行第1 0 次太空飞行时， 发射升空后约7 0 秒左右发生爆炸，导致了大约1 2 亿美元的重大财产损失，同时7 名 航天员全部遇难，造成了世界航天史上最大的惨剧，事后查明，该事故直接原因是发 动机上零件连接处的燃气密封圈遭到了破坏；此后三个月不久，即1 9 8 6 年4 月2 6 日 深夜，前苏联的乌克兰共和国切尔诺贝利核电厂在试验新技术时发生爆炸，产生了巨 大的核泄漏，将大片地区笼罩在核辐射之下，事故导致3 1 人当场死亡，2 7 万人受核 辐射影响而患癌，因此而死亡的人数达9 3 万，损失达3 0 亿美元，事后长期处 理核事故就至少花费了1 0 0 0 亿美元。1 9 8 8 年，我国陕西秦岭电厂的5 号机组发 生轴系断裂事故，直接造成3 0 0 0 万元的经济损失。2 0 0 3 年，美国“哥伦比亚号 航天飞机在从太空返回经过大气层时，由于其机翼隔热陶瓷材料脱落而导致爆炸， 7 名航天员不幸全部遇难。上述灾难性事件已经给我们敲响了警钟，设备的安全、 北京化工大学硕士学位论文 平稳与可靠运行是亟需要关注并且刻不容缓的重中之重，需要依靠在线检测及诊 断技术来确保重大设备平稳安全运行，远离恶性事故及突发事故。 滚动轴承是当今石化、冶金等重大设备中应用最为广泛的机械部件之一，也是最 容易受到损坏的部件，它承载了设备中所有的旋转机构，也集中了设备运行中的大部 分的能量。近十年来，国内外因滚动轴承故障而引起的重大人员、财产事故屡有发生。 可以看出，滚动轴承是否正常运行关系到整个生产设备能否平稳、安全、高效的运行， 对整个生产有重大的影响。因此，开展对滚动轴承的故障诊断极具必要性，而滚动轴 承故障模式识别技术又是故障诊断的核心技术所在，涉及到故障特征的选择及提取等 关键难题，故对滚动轴承故障模式识别技术展开研究和应用显得十分重要【7 j 。 在滚动轴承的故障模式识别过程当中，故障的特征选择及提取以及高效的模式识 别理论是核心所在。在实际工况中，由于受到振动系统中大量的无规则振动噪音干扰， 从传感器所获取到的振动数据中包含了大量的噪音，不利于对数据的进一步分析和处 理，特别是在故障早期阶段，这种现象更加明显。因此，如何有效的将有效信息及噪 音分离开是研究的重点。 循环平稳理论于上世纪中叶被提出，并于上世纪末得到研究和应用，它的研究对 象很特殊，是非平稳信号中的一个子类，即循环平稳信号。它的统计量随着时间而周 期性变化。循环统计理论引入了循环频率这个概念，能够较好的将非平稳周期信号变 换为平稳信号进行处理，并且能够有效的将非平稳信号中的弱周期信号提取出来。因 此，循环平稳理论对于具有循环平稳特性的滚动轴承故障模式识别而言具有重要意义 【8 9 】 o 在研究了传统时频分析方法的基础上，美籍华人n e h u a i l g 在1 9 9 8 年提出了经 验模态分解方法，它是一种自适应的局部化时频分析理论，把非平稳信号分解为诸多 i m f 分量之和，这些i m f 分量都较好的体现出了信号的局部特征，可以有效的提取出 原信号的特征信息，很适合于非平稳信号的研究和处理，很适于滚动轴承故障信号的 分析和研究【引。 基于以上研究和应用背景，本论文选择了滚动轴承故障模式识别方法作为研究对 象。本论文旨在深入研究滚动轴承故障模式识别方法，并以此为纲，展开了对循环统 计理论、经验模态分解、主分量分析等研究理论的学习和研究，最终将理论研究成果 付诸于实验验证，希望自己的研究能够为滚动轴承故障模式识别研究领域奉献一点努 力。 1 2 国内外研究现状 1 2 1 模式识别技术概述 2 第一章绪论 模式识别技术( p a 仕锄r e c o 鲥t i o n ) 自上世纪2 0 年代诞生以来，随着第三次科技 革命计算机的出现以及人工智能的兴起，迅速成长为一门新的学科，在许多领域 得到了重视和应用，给人们的生产和生活带来了方便【l o 】。 模式识别技术是在事物的大量特征信息基础上，通过对特征进行学习和分类，以 此来对事物进行区别和判别，在人工智能领域发挥着重要的作用。一个模式识别系统 是由信息采集、数据预处理、特征提取和分类器等几个环节组成，如图1 1 所示： 图1 1 模式识别系统结构图 f i 9 1 - 1s m l c to f1 1 1 ep a t t e mr e c o g n i t i o ns y s t e m 数据预处理是对含有噪音的原信号进行去噪处理，方便后续的特征提取工作。 特征提取是模式识别最为重要的一步，该环节完成的是由数据空间到特征空间的 转换工作。在特征提取中有两类工作：一是数据与类别映射关系的各种变换；二是去 除冗余信息的特征压缩【l l 】。 分类器是模式识别系统的终端，对提取到的特征进行判别，确定其归属。 此外，计算机完成模式识别的过程还应包括模式信息的输入和学习过程等两部分， 如图1 2 所示： 模 图l - 2 模式识别的两个过程 f 堙l 一2 r w 0s c c t i o mo fm ep a t t e mr e c ：o 盟i t i o ns y s 咖n 决策 模式识别中需要注意的几个问题【1 2 】： 一、类的紧致性 在类空间中对所有类进行分类，要求类的各个模式在空间中组成一个紧致集，各 个紧致集内部的类距离尽可能的小，而各个紧致集之间的类距离尽可能的大一些。 二、相似与分类 模式识别的终极目的就是确定某一事物的所属类别。因此需要通过特殊距离算法 来计算空间中所有事物之间的相似度，确定事物所属类的个数，据此来对事物进行分 类。 3 北京化工大学硕士学位论文 三、特征 事物特征表征了事物的主要属性，可以从一定程度上代表该事物。 依据，没有有效特征，分类就无从谈起。 如今，有相当数量的论文、书籍、期刊都是关于决策理论和模式识 计科学【1 3 1 、机器学习【1 4 1 和神经网络【1 5 】大大丰富了模式识别理论，其它一 觉【1 6 - 1 7 1 、语音识别【1 8 】的理论也很大程度上依赖于模式识别技术的发展。认知心理学、 认知科学【1 9 1 、心理生物掣2 0 】和神经科学【2 1 】主要研究对象是人和其它动物如何进行目标 识别的。因此，从一定程度上来讲，一切包括逻辑和规则处理的行为过程都可以划入 到模式识别领域中【2 2 】，模式识别技术已经开始被应用到人们生活、工作和生产的各个 方面。 1 2 2 工程应用 近几十年来，国内外对故障模式识别理论也进行了广泛的研究，并投入了实际应 用，取得了很大的成果。 在国外，有大量科研工作者在这方面做了努力。k am 腑h o 提出了对振动信号进 行数字建模和自动识别的研究吲；m i c h 1l o u i sa d 锄s 对滚动轴承各元件振动信号进 行了试验、建模、故障检测及识别的工作【冽；) ( i n s h e i l gl o u 结合小波和统计模型对滚 动轴承故障进行了诊断及识别【2 5 】；p i n gc h e i l 借助于神经网络等人工智能方法对滚动 轴承故障进行了状态检测及诊断、识别【2 6 】；t o n yb o u 们s 采用了混合逻辑及隐马尔科 夫模型对旋转机械进行了故障检测及诊断【2 7 】；p e i l gx u 采用了小波包分解及神经网络 方法对滚动轴承进行了故障检测及诊蝌2 8 】；h o o n b i nh o n g 专门对旋转机械状态检测、 故障诊断、特征提取、信号分离及故障模拟等进行了研刭2 鲥。 受到国外的研究影响，国内学者也加大了在旋转设备故障模式识别领域的研究。 蒋静、李志农等结合v 0 l t e m 级数和隐马尔科夫模型，提出了基于v o l t 锄的h m m 滚 动轴承故障识别方法【3 0 】：于江林、余永增等提出了利用声发射在线检测系统对滚动轴 承进行了故障检测及诊断【3 l 】；陆爽、候跃谦等提出了基于主分量分析及径向基核函数 神经网络的滚动轴承故障模式识别方法【3 2 1 ；唐贵基等提出了基于分段线性分类器的滚 动轴承故障模式识别方法【3 3 】；李志农、王心怡等提出了基于核函数主元分析的滚动轴 承故障模式识别方法【3 4 】；陆爽提出了基于奇异值分解和支持向量机的滚动轴承故障模 式识别方法及基于双谱分析的滚动轴承故障模式识别方法【3 5 。3 6 】；秦海勤、许可君等提 出了基于图像奇异值分解的滚动轴承故障模式识别方法【3 7 】；田野、陆爽提出了基于小 波包和支持向量机的滚动轴承故障模式识别方法研究【3 8 】；陆爽、杨斌等提出了基于小 波和径向基核函数神经网络的滚动轴承故障模式识别方法【3 9 】；赵元喜、胥永刚等提出 了基于谐波小波和b p 神经网络的滚动轴承声发射故障识别技术【删。如上所列，国内 4 第一章绪论 1 3 本文研究工作及创新点 承开展的模式识别研究已经进入到很深入的阶段。随 算机技术的蓬勃发展，相信模式识别技术会在人们生 用。 1 3 1 主要研究工作 本论文研究并提出了两种信号模态识别的方法和理论，并将其与滚动轴承的实际 振动相结合，确立了两种滚动轴承振动信号模态识别的模型，并且用试验数据进行了 验证，取得了较好的效果。 本论文的章节结构如下： 第一章：绪论，阐述了本研究课题的背景、来源、研究目的；同时介绍了模式识 别理论在国内外的发展概况及实际应用。 第二章：信号处理方法，阐述了本研究论文中主要采用的一些信号处理理论与方 法、模式识别理论，包括快速傅里叶变换、循环统计量、经验模态分解、主成分分析 等，为后续工作打好基础。 第三章：改进的信号局部均值模型及端点延拓模型：阐述了传统的局部均值求解 模型及端点延拓模型，并提出了不足之处，在此基础上分别对两个模型做了改进。改 进的局部均值模型结合极值域均值和极值间均值，较前人提出的极值域均值模型有了 改进。端点延拓模型分别采用支持向量机和神经网络理论相互对比后，确定了支持向 量机在端点预测中的优势。 第四章：基于二阶循环统计量的奇异值分解模型在滚动轴承故障模式识别中的应 用，阐述了二阶循环统计量：循环功率谱密度，同时结合了模式识别方法一奇异值 分解技术，建立了滚动轴承故障模态识别方法，并用试验数据进行了验证，结果表明， 该模型达到了期望，可以较好的识别滚动轴承不同故障状态。 第五章：基于e m d 的主成分分析模型在滚动轴承故障模式识别中的应用。本章 在改进e m d 的基础上，结合主成分分析理论，完成了模式识别模型，同时用实验数 据进行了验证，取得了较好的结果。 第六章：主要结论及展望，一方面对本论文研究工作进行了总结，另一方面也对 未来的研究工作进行了展望，安排了以后具体要做的工作。 1 3 2 本文创新点 一、在前人研究基础上，对传统经验模态分解( e m d ) 过程中常会遇到的两个问 北京化工大学硕士学位论文 题：局部均值求解模型和端点延拓模型，进行了研究和改进，试验验证结果表明，改 进后的模型精度更高。 二、提出了基于二阶循环统计量的奇异值分解模型在滚动轴承故障模式识别中的 应用理论，在获得振动信号循环功率谱密度的基础上，结合奇异值分解模型，得到其 特征值序列，保留含大部分信息的特征值，即可很好的完成识别任务。 三、提出了基于e m d 的主成分分析模型在滚动轴承故障模式识别中的应用理论， 在改进经验模态分解的基础上，结合主成分分析模型，试验结果表明，该方法较好的 完成了识别任务，识别精度较高。 6 第二章信号处理方法 2 1 引言 第二章信号处理方法 在目前旋转机械设备故障诊断领域中，基于振动信号分析的机械设备故障诊断技 术是最常用的方法之一，而振动信号分析又建立在信号处理的基础之上。按照信号处 理的定义，信号处理可以追溯到人类的起源。进入2 0 世纪以后，信号处理理论取得 了巨大的进步，出现了维纳滤波及傅里叶分析为代表的信号处理理论。随着科学技术 的不断发展，一大批新的信号处理理论涌现出来，如时频分析、小波变换等，并在实 际工程应用中发挥了巨大的作用。运用信号处理技术，可以提取信号时域、频域的特 征，为后续的故障模式识别打下基础。因此，信号处理技术对于确定旋转机械故障的 发生以及故障的识别有着重要的意义。 本章主要介绍了本研究论文中所用的信号处理方法以及故障特征的选择与提取 方法，为进一步的研究打下理论基础。 2 2 信号处理方法 2 2 1 快速傅里叶变换 快速傅里叶变换( f f t ) 是一种有效快速计算信号的离散傅里叶变换及其逆变换 的算法。在快速傅里叶变换未问世之前，我们经常采用离散傅里叶变换( d f t ) 来把 有