基于EMD和支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法研究.pdf

1、機(jī)械設(shè)備的診斷過程包括診斷信息獲取、故障特征信息提取和狀態(tài)識別三部分。其中,故障特征提取和狀態(tài)識別是診斷的關(guān)鍵。本文將時頻分析的新方法—經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,簡稱EMD)和模式識別的新技術(shù)—支持向量機(jī)(Support Vector Machine,簡稱SVM)相結(jié)合應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。EMD方法基于信號的局部特征時間尺度,可把信號分解為若干個內(nèi)稟模態(tài)函數(shù)(Intrinsic Mo

2、de Function,簡稱IMF)之和,分解出的各個IMF分量突出了數(shù)據(jù)的局部特征,對其進(jìn)行分析可以更準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。此外,由于每一個IMF所包含的頻率成分不僅僅與采樣頻率有關(guān),更為重要的是它還隨著信號本身的變化而變化,因此EMD方法是一種自適應(yīng)的時頻局部化分析方法,它從根本上擺脫了Fourier變換的局限性,具有很高的信噪比,非常適用于非平穩(wěn)、非線性過程。針對旋轉(zhuǎn)機(jī)械故障振動信號的非平穩(wěn)特征,本文將EMD方法引入旋轉(zhuǎn)

3、機(jī)械故障特征提取當(dāng)中,對其基本理論進(jìn)行了研究,對其邊界效應(yīng)提出了解決方案,并在此基礎(chǔ)上提出了五種基于內(nèi)稟模態(tài)函數(shù)的故障特征提取方法。支持向量機(jī)有比神經(jīng)網(wǎng)絡(luò)更好的泛化能力,且能保證找到的極值解就是全局最優(yōu)解,同時它還較好地解決了小樣本的學(xué)習(xí)分類問題。針對機(jī)械故障診斷中難以獲得大量典型故障樣本的實際情況以及支持向量機(jī)優(yōu)良的分類性能,本文采用支持向量機(jī)作為分類器對旋轉(zhuǎn)機(jī)械的工作狀態(tài)和故障類型進(jìn)行了分類,并對支持向量機(jī)在小樣本故障診斷中的應(yīng)用進(jìn)

4、行了較為全面的研究。對實驗數(shù)據(jù)的分析結(jié)果表明,EMD和SVM相結(jié)合可有效地應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。
　　本文主要工作包括:
　　(1)討論了傳統(tǒng)時頻分析方法在信號處理中的應(yīng)用,指出了其缺陷,并在此基礎(chǔ)上介紹了時頻分析的新方法—Hilbert-Huang變換,它包括EMD方法和Hilbert變換兩部分。對仿真信號的分析結(jié)果表明,EMD方法的分解效果優(yōu)于小波方法;Hilbert譜具有比小波譜更高的分辨率;Hilbert-Hu

5、ang變換所得到的Hilbert邊際譜具有比FT譜更高的分辨率。
　　(2)采用EMD方法和Hilbert變換對信號進(jìn)行時頻分析時會產(chǎn)生邊界效應(yīng),針對這一問題,本文采用徑向基函數(shù)網(wǎng)絡(luò)對信號進(jìn)行了延長。對仿真信號的分析結(jié)果表明,該延拓方法能有效地抑制邊界效應(yīng)。
　　(3)在分析傳統(tǒng)統(tǒng)計模式識別方法和人工神經(jīng)網(wǎng)絡(luò)分類器的缺陷的基礎(chǔ)上,針對機(jī)械故障診斷中難以獲得大量典型故障樣本的實際情況以及支持向量機(jī)優(yōu)良的分類性能,將支持向量機(jī)引

6、入旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種技術(shù)進(jìn)行了小樣本試驗研究,研究結(jié)果表明支持向量機(jī)無論在訓(xùn)練速度還是診斷精度方面均優(yōu)于神經(jīng)網(wǎng)絡(luò)。
　　(4)提出了內(nèi)察模態(tài)能量嫡的定義，并以此為理論基礎(chǔ)，提出了基于內(nèi)察模態(tài)能量熵的故障特征提取方法。當(dāng)機(jī)械系統(tǒng)發(fā)生故障時，其振動信號的能量會隨頻率的分布發(fā)生改變，某種或幾種頻率成分能量的改變即代表了一種故障，因此可根據(jù)機(jī)械系統(tǒng)振動信號各頻帶能量的變化來進(jìn)行故障分析。對滾動軸承振動信號的

7、分析結(jié)果表明，基于內(nèi)察模態(tài)能量嫡和SVM的故障診斷方法能有效地識別滾動軸承的工作狀態(tài)和故障類型。
　　(5)提出了Hilbert邊際能量譜和局部Hilbert邊際能量譜的定義，并在此基礎(chǔ)上提出了基于局部Hilbert邊際能量譜的故障特征提取方法。Hilbert譜精確地描述了信號的幅值在整個頻率段上隨頻率和時間變化的規(guī)律，因此是信號能量的一種完整的時一頻分布;Hilbert邊際能量譜精確地描述了信號的能量隨頻率的分布情況;局部Hil

8、bert邊際能量譜反映了在固有頻率段振動信號的能量隨頻率的分布情況。對滾動軸承振動信號的分析結(jié)果表明，基于局部Hilbert邊際能量譜的特征能量法能有效地提取滾動軸承故障振動信號的特征，并能成功地對滾動軸承的工作狀態(tài)和故障類型進(jìn)行分類。
　　(6)Hilbert邊際譜能夠準(zhǔn)確地反映信號幅值隨頻率的變化規(guī)律，為了進(jìn)一步突出故障振動信號在固有頻率段能量的變化情況，提出了基于Hilbert邊際譜的故障特征提取方法。對滾動軸承振動信號的分

9、析結(jié)果表明，基于Hilbert邊際譜的特征能量法能有效地提取滾動軸承故障振動信號的特征，并能成功地識別滾動軸承的工作狀態(tài)和故障類型。
　　(7)針對旋轉(zhuǎn)機(jī)械出現(xiàn)局部故障時常常伴隨有周期性的沖擊這一特點以及奇異值分解技術(shù)的缺陷，提出了一種基于內(nèi)察模態(tài)奇異值分解的故障特征提取方法。
　　對齒輪和滾動軸承振動信號的分析結(jié)果表明，基于內(nèi)察模態(tài)奇異值分解和SVM的故障診斷方法能有效地識別齒輪和滾動軸承的工作狀態(tài)和故障類型。提出了內(nèi)察模