隨著物聯(lián)網(wǎng)的發(fā)展,機(jī)械設(shè)備產(chǎn)生的海量數(shù)據(jù)推動故障診斷進(jìn)入了“大數(shù)據(jù)”時代。數(shù)據(jù)驅(qū)動的智能診斷將成為機(jī)械故障診斷未來發(fā)展的趨勢。軸承在機(jī)械工程領(lǐng)域被廣泛應(yīng)用并扮演著重要角色。軸承運(yùn)行狀態(tài)影響著機(jī)械設(shè)備的正常運(yùn)行。開展軸承故障診斷研究不僅可以提升機(jī)械故障診斷水平,還有利于保障機(jī)械設(shè)備正常運(yùn)行,具有重要的理論和實(shí)際價值。軸承故障診斷研究中,故障特征的提取和選擇很大程度上決定了故障診斷的效果。而當(dāng)前的軸承故障存在著時域、頻域和時頻域等多種特征。如何實(shí)現(xiàn)特征數(shù)量少而診斷效果佳是故障診斷領(lǐng)域很有價值的研究課題。針對該課題,本文通過構(gòu)造特征網(wǎng)絡(luò)實(shí)時選取有效的軸承故障特征集,融合多傳感器信息,實(shí)現(xiàn)了一種時效性佳和診斷精度高的軸承故障診斷方法。主要研究工作的描述如下:本研究首先提出了一種基于最大信息系數(shù)(FF-FC-MIC)的軸承故障特征選擇方法。由于最大信息系數(shù)能衡量變量非線性關(guān)系,該方法利用最大信息系數(shù)刻畫特征與特征,特征與故障類別之間相關(guān)性。該方法通過特征與特征最大信息系數(shù)矩陣(FFMIC)獲得弱相關(guān)性特征子集,利用特征與類別最大信息系數(shù)矩陣(FC-MIC)得到強(qiáng)相關(guān)性特征子集,然后以交集的方式合并...

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2凱斯西儲大學(xué)軸承實(shí)驗(yàn)平臺

出來的樣本個數(shù)：∑驗(yàn)平臺提方法的有效性和適用性。利用凱斯西儲大RU）軸承數(shù)據(jù)集[63]，以及CUT-2軸承實(shí)驗(yàn)驗(yàn)平臺及數(shù)據(jù)集RU軸承實(shí)驗(yàn)平臺，主要設(shè)備包括一個電動機(jī)率計(jì)（右）和電子控制設(shè)備（未顯示）。

圖2.3CUT-2軸承實(shí)驗(yàn)平臺系統(tǒng)（a）CUT-2數(shù)據(jù)采集系統(tǒng)（b）傳感器位置示意圖（c）

（c）圖2.3CUT-2軸承實(shí)驗(yàn)平臺系統(tǒng)（a）CUT-2數(shù)據(jù)采集系統(tǒng)（b）傳感器位置示意圖（c）CUT-2平臺（a）（b）（c）（d）圖2.46900ZZ軸承故障位置及結(jié)構(gòu)（a）外圈故障（b）內(nèi)圈故障（c）球體故障（d）軸承結(jié)構(gòu)由CUT-2軸承....

圖2.46900ZZ軸承故障位置及結(jié)構(gòu)（a）外圈故障（b）內(nèi)圈故障（c）球體故障

（c）.3CUT-2軸承實(shí)驗(yàn)平臺系統(tǒng)（a）CUT-2數(shù)據(jù)采集系統(tǒng)（b）傳感器位置示意圖CUT-2平臺

圖2.5基于特征網(wǎng)絡(luò)與多傳感信息融合的軸承故障診斷框架

第2章基于特征網(wǎng)絡(luò)的軸承故障診斷方法研究理論基礎(chǔ)及框架表2.22000rpm，2500rpm，3000rpm轉(zhuǎn)速下的CUT-2軸承數(shù)據(jù)集軸承狀態(tài)故障尺寸(mm)樣本個數(shù)類別正常2000內(nèi)圈故障0.20.31001001外圈故障0.20.310010....

本文編號：4055423