摘 要

轴承作为机械系统的一个重要组成部分，它掌握其实时运动情态到机器的正常运行是很重要的。滚动轴承被越来越多地应用于工厂，因此，正文重点是为衡量对象的滚动轴承共振信号，深入的信号处理法的共振信号特征索取分析，索取故障表征信息用于故障诊断和检测。正文的重点衡量内容总括为轴承震荡信号的频域表征索取的方法和基于SVM的轴承障碍检测解数的时域表征索取方法。

正文研究了震荡信号的时域性能指标，包括RMS值，方差，峰值系数，峰度，偏度和六阶中心距，然后频域表征索取方法的振动信号，轴承故障特征频率的主峰提取。在正文的末尾，SVM用于轴承故障模式识别，得到不同核函数识别率和SVM的分类精度等参数的影响。

关键字：滚动轴承；故障诊断；支持向量机；特征提取

Abstract

Bearing as an important part of mechanical system, it is very important to master its motion state in real time to the normal operation of the machine. Rolling bearing is more widely used in industry. Therefore, this paper mainly by the rolling bearing vibration signal as the research object, in-depth analysis of vibration signal feature extraction of signal processing method to extract the fault feature information is used for fault diagnosis and detection.The main research contents of this paper include the time domain feature extraction method of bearing vibration signal, frequency domain feature extraction method, and the method of bearing fault diagnosis based on support vector machine .

This paper studies the vibration signal time domain indexes, including the RMS value, variance, peak factor, kurtosis, skewness and sixth order center distance, then the vibration signal of the frequency domain feature extraction method, main peak of bearing fault characteristic frequency is extracted. In the end of this paper, support vector machine is used for bearing fault pattern recognition, and the recognition rate is obtained. The influence of different kernel functions and other parameters on the accuracy of SVM classification is analyzed.

Keywords: rolling bearing；fault diagnosis；support vector machine；feature extraction

目录

摘要 I

Abstract II

目录 III

1 绪论 1

1.1 研究的目的及意义 1

1.2 滚动轴承故障诊断研究现状 2

1.3 本论文的主要研究内容 3

2 轴承故障诊断与SVM原理 4

2.1 轴承故障诊断原理 4

2.1.1 滚动轴承的基本结构及故障特征频率 4

2.1.2 滚动轴承典型故内圈损伤障的振动特性 5

2.2 SVM原理 7

2.2.1 最优分类面 7

2.2.2 线性不可分的处理原则 8

2.2.3 多分类SVM 11

2.3 小波变换基本原理 12

3 基于SVM的轴承故障诊断 14

3.1 滚动轴承诊断流程 14

3.2 样本数据及特征向量提取 15

3.2.1 轴承试验台及样本数据描述 15

3.2.2 轴承时域特征向量提取 16

3.2.3 轴承频域特征向量提取 19

3.3 SVM分类器训练及测试 20

4 总结与展望 23

4.1 论文工作总结 23

4.2 论文工作展望 23

参考文献 25

致谢 26

1 绪论

1.1 研究的目的及意义

影响绝大多数轴承质量的因素是频繁应用旋转的工作机器。其运行质量会影响设备的工作性能。据统计，百分之三十多的回旋机械设备妨碍是由轴承阻滞引发的。是以，在轴承妨碍诊断中的前沿范畴，许多重要的探究已经完成。使用转动轴承的震荡信号监测和工作状况检测的组件进行检测，是轴承障碍的探讨中常用的诊断方式。找出优质的特性是区分差异机器妨碍的重要阶段，在时间域峰度证明它的效率可以作为轴承退化状态指示器。

轴承在转动时间中，势必会伴随振动、声音以及温度改变等征象的发生。因此，可以根据某一种或多种现象来对轴承的质量状态作出判断。凭据所分析征象类型的差别，转动轴承常用的诊断方式分为共振分析法、温度检测法、声音发射检测法、油液检测法。除此之外，海内外研究者们还接踵提出了一些其他技术要领，如光纤维诊断法、轴承润滑状况诊断法和游隙诊断法，但这些方式的一般应用性不强，只可以应用于某些转动条件下的滚动轴承进行毁伤检查。

随着各种新兴的信号与信息处理方法的引入，如小波分析、非线性时间序列分析、Priestley演变谱、短时Fourier变换等，共振信息研究要领在非线性、非稳态和非高斯特性处理方面有了很大的超越，带来了一定的社会和经济效益。但是，这些信号处理方法本身也存在一些固有缺陷。另外，如今存在的信息处理要领在低信噪比共振信息的特性获取方面没有得到很大的前进。小波变换是一种基于分解的多识别率处理方式。于所有频率波带分成了数层频繁带，任何信息包含正弦信号被分类于对应的频率带。因为分化的频率带信息携带能量，它可以当做检测当前的轴承工作状况的特性向量。如图1-1所示，为状态检测流程图。

监测：故障是否发生？ 诊断：故障部位、类型？ 维修：时间？