基于振動信號分析的旋轉(zhuǎn)機械故障診斷方法研究.pdf

1、振動信號分析是進行旋轉(zhuǎn)機械故障診斷的重要手段，旋轉(zhuǎn)機械故障診斷的一般流程包括采集振動信號、提取故障特征和識別運行狀態(tài)三部分。本文重點研究應(yīng)用最廣泛的齒輪及齒輪箱的故障及診斷方法，通過信號處理的手段提取齒輪箱的故障振動信號的時域特征、頻域特征和非平穩(wěn)的時頻域特征，并應(yīng)用支持向量機進行故障識別。從而實現(xiàn)對齒輪箱的故障診斷。
　　故障診斷的最重要的是故障特征的提取，本文對齒輪的振動信號和故障特征進行分析，并從時域、頻域、時頻域三方面研究

2、基于振動信號分析的故障診斷方法。在時域上提取有量綱和無量綱指標(biāo)，在頻域上提取功率譜能量熵、倒頻譜周期成分和包絡(luò)譜特征，在時頻域上提取小波包頻帶能量比，并進行希爾伯特黃變換分析。重點研究希爾伯特黃變換算法，提出一種抑制端點效應(yīng)的新算法，應(yīng)用于經(jīng)驗?zāi)B(tài)分解(EMD)中，減少端點效應(yīng)產(chǎn)生的分解誤差，并對得到的本征模態(tài)函數(shù)進行歸一化Hilbert變換，提取瞬時頻率譜參數(shù)作為故障特征。通過仿真實驗表明，改進的EMD分解能更加有效的分解出信號的原始

3、成分，為瞬時頻率譜的提取打下基礎(chǔ)。通過實例驗證，本方法提取的瞬時頻率譜能夠作為特征，進行齒輪狀態(tài)的判定。
　　為了提高狀態(tài)識別正確率和解決小樣本學(xué)習(xí)問題，本文提出免疫貓群改進算法優(yōu)化支持向量機(ICSO-SVM)，利用貓群算法的分組特性，將種群分為搜索組和跟蹤組，分別加入免疫算法的克隆選擇和動態(tài)疫苗接種算法，運用克隆擴增算子在搜尋組中進行局部搜索，根據(jù)親和度值大小調(diào)節(jié)變異個體數(shù)目，保持解的多樣性;運用動態(tài)疫苗提取與接種算子使跟蹤組

4、個體基因與疫苗進行交叉變異，向最優(yōu)解靠攏，防止無監(jiān)督交叉變異可能引起的退化現(xiàn)象;并通過濃度平衡算子和選擇算子更新子代種群，防止種群“早熟”。利用免疫貓群改進算法對SVM分類過程中的懲罰參數(shù)和核參數(shù)進行優(yōu)化，提出基于免疫貓群改進算法優(yōu)化的支持向量機識別方法用于故障狀態(tài)分類和識別。通過仿真實驗表明，免疫貓群改進算法具有較高的收斂性，改進的支持向量機算法提高了識別正確率。
　　將瞬時頻率譜特征及其他特征和ICSO-SVM算法應(yīng)用于齒輪故