本文是一篇机械论文，本文所用数据集为美国凯斯西储大学轴承数据库，数据集包括三种不同的直径，且采样频率各不相同。本文使用的数据，是来自 SKF6025 类型的轴承驱动端，采样频率为 48kHz，轴承转速 1772r/min，故障直径 0.007 英寸，于驱动端加速度数据和风扇端加速度数据来共同描述故障信号。
1 绪论
1.1 课题研究背景及意义
随着社会的不断发展与进步，工业生产越来越趋向于自动化，工业设备的应用也变得越来越复杂，设备的使用过程中不可避免的会发生故障，对故障进行识别并且采取有效措施也变得极为重要。轴承是旋转机械中的关键组成部分，非常容易发生磨损与故障。长期以来大部分事故统计显示，百分之三十左右的旋转机械故障其成因就是轴承故障[1-3]。轴承故障诊断的课题由来已久，并且在生产当中颇受重视。在现代工业中，维护设备、诊断故障、防止事故发生等预防手段非常关键，其主要手段一方面是离线数据预测，另一方面便是运行过程当中的在线检测装置，两种方法都可以应对轴承的健康状况发生变化，保证整体设备的安全运转[4]。通过这些方式，可以基本避免因轴承故障小类型故障引发的整体设备出错的问题。
轴承虽然是极小的构件，但却极易引发“蝴蝶效应”，经常导致整台机械设备运行停止，引发经济效益亏损和工作人员伤亡等问题。究其原因一方面是工作环境的恶劣，另一方面就是平时维护保养的缺失。由于轴承故障在旋转机械故障中的“高比例性”，对轴承的故障诊断的重要性也是势在必行。在轴承故障领域，算法研究也是非常重要的一环，而算法优化不仅可以完善算法的体系，也能在不断实践中将算法逐渐到扩展到各行各业，更是在不断应用中凸显了算法研究的重要性和必然性。在轴承故障诊断中，高效精准的算法能够更加精准的预测故障识别故障，使设备运行更加有效率，使设备生产更加可靠安全，因此实现把故障损失的最小化[5]。
近几年来，国内新闻媒体报道的由于轴承故障损坏造成的伤事故不断发生。在 2002年 4 月，中国国际航空公司的一架飞机在飞往韩国的途中出现了事故，最终迫降失败，在韩国盖山附近坠毁，这次特大事故中的丧生人数达到了一百多人，在事后的调查中发现，事故真正的起因是发动机轴承因为长时间运作，形成了疲劳性损伤，这一极小的故障却导致整架飞机脱离控制甚至夺去整个机组人员的生命[5,6]。2005 年，中国天津新港船厂内一架起重机由于轴承发生严重的腐蚀而无法流畅转动，致使起重机吊钩的钩柄与螺帽无法协同运作，钩头弹出砸到现场正在施工的工人，造成了严重的人员伤亡。2013年，日本国土交通省发布的一项年度报告中指出，全年因轴承发生故障而导致的车辆火灾事故多达 12 起，创过去 5 年来的最高纪录。2015 年，中国一家石油化工有限公司发生了严重的泄露事故，追究其原因发现，仅仅是因为轴承内环的扭曲断裂，使滚珠发生了破裂[7]。
..........................
1.2 国内外研究现状及发现趋势
1.2.1 滚动轴承故障诊断的技术发展综述
轴承的故障诊断与监测起源于二十世纪三十年代，发展至今，轴承故障诊断已经是应用非常熟练和广泛的技术，发展阶段如下：
第一阶段：侦听棒。人的主观能动性是最主要的，经验判断占了大部分，由于客观条件的限制，对于故障的出现预测不及时，也不准确，整体来说效果很差。
第二阶段：使用频谱分析仪的诊断技术
20 世纪 60 年代，伴随着快速傅里叶变换技术的出现，频谱分析仪问世，研究人员精益求精，扩展功能与特性，研究了各种各样的频谱分析仪，应用范围也逐渐扩大，逐渐涉及到各行各业。该仪器可以将输入信号的频谱特性在频域里清晰地显示出来，因此，轴承的振动信号也可以在其中应用，当轴承的元件有损伤时，振动信号特征频率因为振动的变化也与常态不同，不同的特征频率对应不同的轴承故障，由此达到轴承故障诊断的目的。但是，传感器采集到的滚动轴承振动信号首先要进行处理，由于信号微弱不明显一般情况下要通过放大器处理，背景噪声此时成为了最大的干扰因素，使得计算出来的特征频率显示很差，因此在滚动轴承故障程度较小时，根本无法检测出来，等到频谱分析仪显示清晰的故障频谱特性，往往已经到了非常严重的地步[11]。另外，在当时的经济条件下，频谱分析仪非常昂贵，并不能在所有工业场合普及，所以效果也非常不理想。
第三阶段：冲击脉冲技术的诊断
1966 年，瑞典仪器公司在长期研究下，制造出了冲击脉冲仪，该公司有多年的滚动轴承机理研究经验，在实验中发现，轴承在运行中受到破坏时，冲击脉冲的幅值这一指标在轴承故障的检测中表现尤为明显，这一发现使研究者们致力于冲击脉冲仪的开发和应用。由于其效果远远超出前十年发明的频谱分析仪，不在需要分析轴承故障频谱就可以诊断轴承故障，因此冲击脉冲仪一经问世，便被欧美国家大量应用。在应用前期，冲击脉冲仪只能检测滚动轴承局部故障，其他国家也加入了研究当中，不断更新换代，精益求精，产品的性能也逐渐完善，滚动轴承的早期局部故障可以有效地被检测，除此之外，润滑情况也得到了数据上支持，增强了检测的全面性，同时油膜厚度的情况也能被相应检测出来[12]。冲击脉冲仪经过四十多年的发展，以其灵活方便、适应性强的特点一直沿用至今，目前仍然应用广泛。
.........................
2 滚动轴承故障数据的特征提取与降维
2.1滚动轴承故障成因分析及故障数据介绍
2.1.1 滚动轴承的结构组成及作用
滚动轴承（rolling bearing）是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。结构图如图 2.1 所示：
机械论文怎么写
滚动轴承的结构由四部分组成： (1)外圈——一般不转动，起支撑作用。 (2)内圈———与轴相配合并与轴一起旋转。 (3)滚动体——滚动轴承的核心元件。 (4)保持架——引导滚动体旋转起润滑作用。
......................
2.2时域特征提取原理
时域分析的目的是提取信号时域统计特征，对比结果与相应参照值的关系，判断轴承运行状态，是发展较早的一种检测方法。美国人 Gustantsson 和 Tallina 是最早进行轴承故障诊断研究并且尝试用时域特征提取方法的科研人员。1978 年 Dyer 提出将峭度作为轴承故障诊断的时域指标，发生故障的轴承，其峭度值一般会大于 3，正常轴承的振动数据，是服从高斯分布的，如果峭度值超过 3，代表数据中包含了较多冲击，轴承很有可能发生了故障[43]。
本文实际获取的轴承振动数据就是时域信号，时域是把时间轴作为横坐标来表示信号，以形象直观的方式表示振动信号的波形，时域上可分析出信号在不同时刻的相似性与关联性，计算出可以反应轴承健康情况的特征参数。但是在时域上无法获得对轴承故障诊断有着重要的作用的频率成分，频域可以反应时域上无法反映的故障特征。在提取时域特征之后需要对特征进行归一化处理来消除不同量纲对分类性能的影响，也是为加快后续模式识别方法的运行速度，本文的归一化区间为（0，1）。
信号处理理论中的频域分析方法，是通过把数据进行从时域到频域的转换来分析的，傅立叶变换（FFT）是常用的手段之一，在很多分析仪器中都广泛使用。傅里叶分析方法已经有比较成熟的理论体系，快速变换算法推动了其在实际工程中的应用价值。傅里叶变换作为主要的频域分析方法，将时域信号转换到频域，清楚反映谐波的幅值与相位，方便硬件实现，目前广泛应用于数字信号处理方面[45]。
傅里叶变换及其逆变换作为一种信号时频分析方法在信号处理中有广泛应用，无论是从时域变换到频域，或者从频域变换到时域，傅里叶都可以展现其功能，类似于一种桥梁的作用，前者采用傅里叶变换，后者采用傅里叶逆变换。
.........................
3 基于神经网络的滚动轴承故障识别 ......................... 28
3.1 引言 ................................ 28
3.2 基于 BP 人工神经网络的故障识别 ............................ 28
4 基于支持向量机的滚动轴承故障识别 ........................ 41
4.1 引言 ........................... 41
4.2 支持向量机原理 .................................. 41
结论 ...................... 53
4 基于支持向量机的滚动轴承故障识别
4.1支持向量机原理
支持向量机（Support Vector Machine，SVM）最先由 Cortes 和 Vapnik 提出，它是一种有监督的模式识别方法[40,55-57]。它的主要思想是建立一个分类决策面，图 4.1 为分类决策面示意图。SVM 通过核函数的作用将数据从低维映射到高维空间，使其尽可能的线性可分，图 4.2 为核函数数据转换的示意图。本文选择 RBF 作为 SVM 的分类核函数。
机械论文参考
为了提高模型的分类性能，引入启发式的粒子群算法（PSO）优化模型建立过程中的两个重要参数。粒子优化算法（Particle Swarm Optimization，PSO）由 kennedy 提出，其理论原型是从鸟类觅食行为中模仿而来的，个体鸟依靠自身经验去寻找食物的同时，也往往会随着整体鸟群的动向去跟随，个体与群体之间相互影响，相互作用，体现了宏观与微观，主观与客观的统一性。粒子群算法相比遗传算法更为简单，没有交叉和变异等复杂的操作，而且搜索速度也是更胜一筹。SVM 由于存在过学习和欠学习的现象，为确保分类效果，本文选择适应度函数为 5 倍交叉验证法，当准确率达到最高且不再变化时搜索到的的 c 和 g 即为最佳参数[58]。
...........................
结论
轴承在运行过程中会产生大量的振动信号，从振动信号中提取出故障特征并进行模式识别是轴承故障诊断最常用的方法，轴承故障模式识别过程中机器学习算法参数的选择直接影响到故障的分类的准确率，因此采用智能算法优化分类器参数也显得势在必行。本文应用美国凯斯西储大学轴承故障数据库的公开数据集，对数据集进行了故障特征提取，并且对于冗余的故障特征进行了去除，实现了故障特征降维，之后对比于三种神经网络算法的分类效果，改进灰狼算法优化后的支持向量机在低维特征值下取得了最佳的分类效果，实现了对滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的有效识别。
本文的研究成果及结论主要如下：
(1)本文所用数据集为美国凯斯西储大学轴承数据库，数据集包括三种不同的直径，且采样频率各不相同。本文使用的数据，是来自 SKF6025 类型的轴承驱动端，采样频率为 48kHz，轴承转速 1772r/min，故障直径 0.007 英寸，于驱动端加速度数据和风扇端加速度数据来共同描述故障信号。正常状态下的数据集随机选择180个样本作为训练集，剩下的 40 个样本作为测试集。内圈故障、外圈故障、滚动体故乡下的数据集分别随机选择 500 个样本作为训练集，剩下的 100 个样本作为测试集。这样训练集共包含 1680组样本，测试集共包含 340 组样本。
(2)基于时频分析的思想处理振动信号，本文采用时域特征提取和小波分解、傅里叶变换的时频域特征提取方法分别对截取的数据集进行了故障特征提取，共提取到时域特征值 26 组，时频域特征 20 组，共计 46 组特征值，组成 46 个特征值之后，采用核主成分分析法 KPCA 的降维方法去除了特征之间的非线性和相关性，将原始特征降成了 7维。
参考文献（略）