滾動軸承復(fù)合故障特征增強和智能識別方法研究.pdf

1、大型旋轉(zhuǎn)機械大都處于工況復(fù)雜的惡劣環(huán)境中，設(shè)備極易受損。滾動軸承作為旋轉(zhuǎn)機械的核心部件，直接影響著設(shè)備的運行安全問題。采集的滾動軸承振動信號往往混有大量的外界噪聲，具有非線性、非穩(wěn)定的特點，不易處理。因此，如何對滾動軸承進行有效監(jiān)測和診斷是亟待解決的技術(shù)問題。本文將滾動軸承作為主要研究對象，開展了滾動軸承復(fù)合故障特征增強和智能識別的方法研究。主要研究內(nèi)容分為三個方面:
　　(1)在信號處理方面，研究了灰狼優(yōu)化算法(GWO)優(yōu)化VM

2、D的信號特征增強方法。VMD算法在一定程度上解決了模態(tài)混疊問題，但是預(yù)設(shè)尺度和平衡因子選取不當(dāng)可能會產(chǎn)生信號欠分解、過分解和混疊等問題。針對該問題，本文引入群體智能優(yōu)化算法，提出了基于GWO優(yōu)化的VMD算法。結(jié)合平均瞬時頻率，該優(yōu)化算法能夠有效尋求最佳系數(shù)組合預(yù)設(shè)尺度和平衡因子。利用兩種不同的滾動軸承故障模擬實驗臺對改進算法進行實驗驗證和分析，實驗結(jié)果表明:灰狼優(yōu)化VMD算法能夠有效削弱噪聲成分的影響，增強信號的故障特征。因此，基于GW

3、O優(yōu)化VMD算法適用于滾動軸承微弱故障信號的處理。
　　(2)在故障特征參數(shù)集構(gòu)建方面，研究了時域和頻域特征參數(shù)、峭度譜熵以及MFCC系數(shù)的特征參數(shù)構(gòu)建問題。為了全面而準確地描述軸承故障信息，提取更加合適的特征參數(shù)集，本文首先構(gòu)建了包含多種特征參數(shù)類型的融合特征參數(shù)集，其次采用有監(jiān)督的封裝型特征約簡方法對多維融合特征參數(shù)集進行維數(shù)約簡，實現(xiàn)了去除特征全集中的冗余和不相關(guān)特征參數(shù)的目的，最后重構(gòu)出特征敏感且鑒別能力突出的最優(yōu)特征參數(shù)

4、集。
　　(3)在故障模式識別方面，研究了基于改進ELM分類器的故障分類算法，本文將模型結(jié)構(gòu)簡單且泛化性能強的ELM應(yīng)用到軸承故障診斷模型中。然而傳統(tǒng)的ELM存在著缺陷，針對ELM只接收隱含層間接信息而忽略輸入層直接信息的問題，本文提出了雙并行ELM(DP-ELM)模型。同時為了進一步減少隱含層節(jié)點數(shù)且提高分類精確度，本文引入雙隱含層結(jié)構(gòu)，提出了雙并行雙隱層ELM(DPT-ELM)模型。通過實驗驗證與分析，證明了DPT-ELM方法