基于Django框架的滚动轴承故障诊断系统设计与开发

作     者：夏海成 

作者单位：浙江师范大学 

学位级别：硕士

导师姓名：蒋永华

授予年度：2023年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：滚动轴承 故障诊断 Django框架 改进的变分模态分解 LCE算法 

摘      要：滚动轴承作为旋转机械的核心部件之一,其运行状态对于整个旋转机械的运行具有至关重要的影响。因此,开展滚动轴承故障诊断方法及系统的研究具有非常重要的意义。本文结合变分模态分解(Variational Mode Decomposition,VMD)、集成机器学习方法Local Cascade Ensemble(LCE)等算法,开展了滚动轴承特征提取和故障诊断方法研究,并在理论研究的基础上,采用Django框架设计开发了一套滚动轴承故障诊断系统。系统结合可视化技术将滚动轴承振动信号以图表形式展示在前端页面之上,用户可以通过登录故障诊断网站实现对采集到的滚动轴承信号进行分析与处理。本文的主要研究内容如下:(1)详细介绍了选题背景、研究意义和相关技术的国内外研究现状,对本文采用的算法和实验中的对比算法的基本概念和运算过程进行了分析,为后续工作提供了理论基础。(2)研究了VMD方法,论述其相对于经验模态分解(Empirical Mode Decomposition,EMD)在分解中存在的优势。通过仿真实验对比分析,验证了VMD相较于EMD的有效性和优越性。(3)对基于改进VMD的特征提取方法进行了研究。针对VMD中两个重要参数——模态分解个数K和惩罚参数α对其模态分解效果影响较大的特点,提出了一种VMD改进方法,即采用信息共享搜索策略的自适应灰狼算法(Adaptive Grey Wolf Based On Information Sharing Search Strategy,ISIAGWO)来优化VMD的两个重要参数得到最佳组合,以提升VMD在故障特征提取上的效果。最后,将ISIAGWOVMD与支持向量机(Support Vector Machine,SVM)相结合,对滚动轴承进行故障诊断。滚动轴承故障诊断实例验证了其有效性和可行性。(4)对基于LCE的故障分类方法进行了研究。针对传统机器学习泛化能力弱和算法精度不高的问题,将集成机器学习方法LCE应用到故障诊断中,提出了一种基于ISIAGWO-VMD和LCE的故障诊断方法。使用ISIAGWO-VMD对采集到的四种状态信号进行分析,提取分量中的能量特征并进行归一化处理后构造特征集。然后将得到的特征集输入到LCE之中进行训练和故障分类识别。最后,通过实际滚动轴承数据验证了所提方法的有效性,并与其他分类方法进行了对比分析,验证了本文所提方法的优越性。(5)基于所研究方法,使用Py Charm开发了一套基于Django框架的滚动轴承故障诊断系统。该系统还集成了一些经典的信号分析和故障分类方法,用户通过用户名和密码登录到此系统后,可以实现滚动轴承信号的显示、保存、读取、预处理、信号分析、故障分类等功能。对系统各功能模块进行了测试,效果基本符合预期,验证了此系统的实用性和可行性。最后对本文所做的工作进行了总结,展望了下一步的研究方向。