基于改進(jìn)閾值函數(shù)及SVM的滾動軸承故障診斷.pdf

1、滾動軸承作為最常用的旋轉(zhuǎn)部件，其質(zhì)量狀態(tài)直接關(guān)系到整臺機(jī)械設(shè)備的性能以及工作現(xiàn)場的安全。因此，在前人研究成果的基礎(chǔ)之上，進(jìn)一步開展對滾動軸承故障診斷的深入研究仍具有非常重要的現(xiàn)實意義。
　　滾動軸承故障診斷的實質(zhì)是狀態(tài)的識別，主要包括信號采集與處理，特征選擇和提取，狀態(tài)模式識別?？紤]到支持向量機(jī)能很好地解決小樣本學(xué)習(xí)、非線性高維模式識別等難題而將其引入滾動軸承故障診斷中。并根據(jù)滾動軸承故障診斷的特點(diǎn)，提出了一套適合軸承故障診斷的支

2、持向量機(jī)參數(shù)尋優(yōu)方法及具體流程。該方法不僅以交叉驗證平均準(zhǔn)確率作為尋優(yōu)目標(biāo)，同時還增加了對懲罰因子取值的控制。另外，為了提高滾動軸承故障樣本的利用價值，以及針對支持向量機(jī)對噪聲敏感的特點(diǎn)，提出了基于小波閾值降噪和SVM相結(jié)合的軸承運(yùn)行狀態(tài)識別新方法。對故障軸承振動信號進(jìn)行小波閾值降噪，得到相應(yīng)的降噪后樣本。在此基礎(chǔ)上結(jié)合SVM參數(shù)尋優(yōu)初步建立SVM模型，提取錯分樣本后重新降噪并修正SVM模型，直到懲罰因子和交叉驗證平均精度達(dá)到預(yù)定標(biāo)準(zhǔn)，

3、最終實現(xiàn)最優(yōu)模型的建立及軸承狀態(tài)的識別。
　　但傳統(tǒng)的軟硬閾值函數(shù)各自的不足制約了信號降噪和特征提取的效果，且無法實現(xiàn)降噪過程的可調(diào)性。因此，首先提出一種新型閾值函數(shù)，并結(jié)合數(shù)學(xué)手段和MATLAB仿真實驗分析了其優(yōu)點(diǎn)。
　　最后對一組滾動軸承的振動加速度實測數(shù)據(jù)進(jìn)行了具體分析，并將診斷結(jié)果與其他類型SVM診斷方法及BP神經(jīng)網(wǎng)絡(luò)法的診斷效果進(jìn)行對比，驗證了改進(jìn)閡值函數(shù)的引入能有效提高樣本數(shù)據(jù)利用率和SVM的抗噪、泛化能力以及滾