摘 要

随着科学技术的不断发展，各种机械设备广泛应用于工业生产、物流运输等领域。而轴承作为各种机械设备的关节，其工作状况是否安全关系到整个设备甚至整个生产系统的安全性。本文以滚动轴承为研究对象，首先分析了其失效形式和振动机理；然后根据峭度指标及其相关系数，筛选轴承原始振动信号经过经验模态分解（EMD）得到的本征模函数（IMF），并进行信号重构；通过对重构信号的时域指标进行基于主成分分析（PCA）降维处理，得到故障特征数据集；最后通过改进的K最近邻（KNN）算法，实现了滚动轴承故障的有效分类诊断。同时本文利用西储大学轴承数据中心的相关实验数据，对本文提出的故障诊断方法进行了实验分析。

关键词：滚动轴承；故障诊断；时域分析；经验模态分解；K最近邻算法

Abstract

Many mechanical equipment are widely used in a lot of fields because of the development of science and technology, such as industrial production and logistics. As the joint of various mechanical equipment, the working condition of the bearing is related to the safety of the whole equipment and even the whole production system. This paper takes the rolling bearing as the research object. Firstly, we analyze its failure form and failure mechanism; then, according to the kurtosis index and correlation coefficient, we choose the Intrinsic Mode Function (IMF) obtained by Empirical Mode Decomposition (EMD) of original vibration signal. then, we get fault feature dataset by Principal Component Analysis (PCA) based on the time domain index of reconstructed signal; finally, through the improved K-Nearest Neighbor (KNN) calculation, we have realized the effective diagnosis of rolling bearing fault. At the same time, we use the data of the bearing data center of Case Western Reserve University to analyze the fault diagnosis method proposed in this paper.

Key words: Rolling bearing; Fault diagnosis; Time domain analysis; Empirical Mode Decomposition; K-Nearest Neighbor

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.1.1 研究背景 1

1.1.2 研究意义 1

1.2 故障诊断国内外研究现状分析 2

1.3 研究方法设计 4

1.4 研究内容与论文结构 5

第2章 滚动轴承的故障特征分析 6

2.1 滚动轴承组成 6

2.2 滚动轴承的故障形式和振动机理 7

2.2.1 滚动轴承的故障形式 7

2.2.2 滚动轴承的振动机理 7

2.3 滚动轴承振动信号的特征提取 8

2.3.1 时域分析 9

2.3.2 频域分析 11

2.4 本章小结 12

第3章 基于EMD及PCA的故障特征数据集构建 13

3.1 经验模态分解 13

3.1.1 经验模态分解的基本原理 13

3.1.2 经验模态分解的计算步骤 13

3.2 主元分析 14

3.2.1 主元分析的基本原理 14

3.2.2 主元分析的计算步骤 15

3.3 滚动轴承故障特征数据集的构建 16

3.3.1 滚动轴承振动信号重构 16

3.3.2 特征数据集构建 17

3.4 本章小结 18

第4章 KNN算法及其优化分析 19

4.1 常见分类算法 19

4.2 K近邻算法 19

4.3 KNN算法参数分析 20

4.3.1 距离度量方法的选择 20

4.3.2 近邻参数K的选择 22

4.4 改进K近邻算法的实现 24

4.4.1 改进算法的计算流程 24

4.4.2 改进算法实例 25

4.5 本章小结 26

第5章 实验分析 27

5.1 数据收集与处理 27

5.2 算法实践与结果分析 31

5.2.1 近邻参数K的分析 31

5.2.2 距离度量方法的分析 33

5.2.3 不同算法的诊断结果对比 34

5.2.4 实验输出 35

5.3 本章小结 36

第6章 经济环境分析 37

第7章 总结与展望 38

7.1 全文总结 38

7.2 未来展望 38

参考文献 40

附录A 故障特征提取程序清单 42

附A1 振动信号IMF筛选程序 42

附A2 振动信号重构程序 43

附A3 重构信号特征提取程序 44

附A4 特征数据集主元分析程序 47

附录B 改进KNN算法程序 49

致谢 55

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

设备故障诊断是一个综合利用多种检测技术，判断设备是否存在故障以及确定故障具体位置的过程。其主要内容有：检测设备是否存在故障、分析设备的故障类型以及对设备故障点进行定位。故障诊断技术，是伴随着现代工业化生产逐渐发展起来的一种技术，最初的故障诊断主要依靠各领域专家的经验，根据设备的运行状况进行故障诊断，这种故障诊断方式十分方便，但其误判漏判率也很高，其与专家的经验积累量有很大的关系。

在设备故障诊断技术的研究方面，美国再次走在世界的前列，20世纪60年代美国的航空航天事业得到了空前的发展，他们组织了专门的团队负责研究和开发设备故障诊断技术，以便及时发现并消除各种航天设备的故障，保障其运行的安全性。在随后的几十年里，世界上各大汽车厂商也开始开发具有各自特点的设备故障诊断系统，例如大众公司研发的微机诊断系统，进一步推动了设备故障诊断技术的发展。相对而言，我国对于设备故障诊断技术的研究和应用起步较晚，但随着近些年的发展已经取得了一定的研究成果，正在走向世界前列。

近年来，随着机器学习、大数据以及人工智能等信息技术的发展，设备故障诊断技术的效率以及准确性都得到了极大的提升。故障诊断已经发展成为一门故障诊断已经逐渐发展成为一门学科^[1]，特别是随着传感器技术的发展，测量进行故障诊断所需要的各种数据变得更加容易，同时随着计算机技术的发展，大大提高了人们处理数据的效率，极大程度上促进了故障诊断技术的发展进程。经过多年的研究和发展，设备故障诊断技术已经广泛应用于智慧物流、自动驾驶以及航天航空等领域

1.1.2 研究意义

随着科学技术现代化的发展，故障诊断技术在各领域中显得越来越重要。以物流行业为例，在新中国成立初期，我国物流行业刚起步，物流活动也相对较少，同时物流公司配备的现代化设备的品种和数量都比较少，在仓储和运输过程中的自动化程度也非常低，因而即使一些设备出现故障也不会严重影响物流活动的进行。但是随着时代的发展现代物流企业已经逐渐发展成为了技术密集型的企业，不仅有强大的信息化系统，同时也拥有许多先进的物流设备。现代化物流设备的应用广泛而且种类繁多，如各式各样的起重机、输送机、堆垛机以及适用于不同场合的运输设备。具有代表性的现代化物流设施就是自动化立体仓库以及自动化港口，其具有很高的自动化以及集成度，系统内的任何设备出现故障都会对整个物流过程造成重大的影响，因而设备故障诊断技术的应用就具有很强的现实意义。