石油钻井传动滚动轴承的振动信号分析与故障诊断

论文摘要

石油钻井是一种连续的作业过程，一旦发生故障将会带来严重的经济损失。钻井设备属于大型设备，有许多传动机构，易发生故障的部件主要是传动滚动轴承，因此开展对油田钻井设备滚动轴承的故障诊断具有很现实的意义。本文总结分析了滚动轴承的振动及其常见的故障形式，讨论了振动信号时域和频域的常规分析方法。由于滚动轴承出现故障时的振动信号是非平稳信号，用常规的傅里叶分析方法达不到良好的诊断效果，而小波分析可以同时从时域和频域两方面对信号进行分析，十分适用于滚动轴承的故障诊断。本文采用小波对振动信号进行消噪预处理，较好地消除了背景噪声对滚动轴承振动信号的干扰，提高了信噪比，并提出小波包频带能量特征提取的方法，有效地提取出隐含在振动信号中的故障特征。在特征提取的基础上，本文研究了RBF神经网络及其在滚动轴承故障诊断中的应用，结果表明是可行的。由于在实际工程应用中，受到数据传输带宽和存储的限制，数据样本量往往不是很充分，易导致神经网络的诊断结果不准确。针对这一问题，本文引入了基于统计学习理论的支持向量机(SVM)。以支持向量机的二值分类算法为基础，提出了支持向量机的多值分类算法。实验结果表明该方法是行之有效的，且在小样本情况下比RBF神经网络具有更高的诊断精度。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题的意义
• 1.2 滚动轴承故障诊断的内容和方法
• 1.3 滚动轴承故障诊断的研究概况
• 1.4 本论文的研究内容
• 第二章 滚动轴承的故障机理
• 2.1 滚动轴承的结构及工作原理
• 2.2 滚动轴承失效的基本形式
• 2.3 滚动轴承的振动机理
• 2.4 滚动轴承的特征频率计算
• 2.4.1 滚动轴承的固有频率
• 2.4.2 滚动轴承的故障特征频率
• 2.5 振动信号的测试
• 2.6 本章小结
• 第三章 滚动轴承振动特征分析的常规方法
• 3.1 振动信号的时域分析
• 3.2 振动信号的频域分析
• 3.2.1 FFT分析
• 3.2.2 功率谱
• 3.2.3 振动信号的共振解调分析
• 3.3 常规特征提取方法存在的问题
• 3.4 本章小结
• 第四章 小波分析在滚动轴承故障特征提取中的应用
• 4.1 小波分析基本理论
• 4.1.1 连续小波变换及其离散化
• 4.1.2 多分辨率分析及MALLAT算法
• 4.1.3 小波包分析
• 4.2 小波分析用于振动信号的消噪处理
• 4.2.1 小波阈值消噪的基本原理和方法
• 4.2.2 小波基的选择
• 4.2.3 小波分解尺度的选择
• 4.2.4 小波消噪中阈值规则的选取
• 4.2.5 小波消噪中阈值处理的方法
• 4.2.6 滚动轴承振动信号的消噪实例
• 4.3 小波分析用于振动信号的特征提取
• 4.3.1 小波包频带能量特征提取的步骤
• 4.3.2 振动信号特征提取的结果分析
• 4.4 本章小结
• 第五章 滚动轴承的故障模式识别
• 5.1 人工神经网络在故障模式识别中的应用
• 5.1.1 人工神经网络概述
• 5.1.2 RBF神经网络的结构
• 5.1.3 用MATLAB实现RBF神经网络
• 5.1.4 RBF神经网络的模式识别结果
• 5.1.5 神经网络算法的不足
• 5.2 支持向量机在故障模式识别中的应用
• 5.2.1 支持向量机概述
• 5.2.2 支持向量机二值分类算法
• 5.2.3 支持向量机多值分类算法
• 5.2.4 滚动轴承故障诊断SVM模型的建立
• 5.2.5 支持向量机的模式识别结果
• 5.3 两种模式识别方法的比较与分析
• 5.4 本章小结
• 第六章 结论与展望
• 参考文献
• 致谢
• 硕士期间发表论文