基于小波分析與神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法的研究.pdf

1、滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中重要的零部件之一，但由于加工工藝、上作環(huán)境等原因造成損壞率高、壽命的隨機(jī)性較大。旋轉(zhuǎn)機(jī)械故障種類繁多，但由滾動(dòng)軸承的故障引起的大約占三分之一，所以掌握滾動(dòng)軸承的工作狀態(tài)以及故障的形成和發(fā)展，是目前機(jī)械故障診斷領(lǐng)域中所研究的重要課題之一。
　　本論文通過分析滾動(dòng)軸承振動(dòng)機(jī)理、失效原因和信號特征，對軸承振動(dòng)信號的采集方法進(jìn)行了改進(jìn)，采用無線傳感器網(wǎng)絡(luò)技術(shù)降低故障診斷系統(tǒng)的復(fù)雜性、提升診斷系統(tǒng)的效率。利用滾動(dòng)軸承振動(dòng)

2、信號實(shí)現(xiàn)其故障檢測與診斷，目前主要有機(jī)理分析和智能診斷兩條途徑。機(jī)理分析常用方法有隨機(jī)共振和小波分析等;智能診斷常用方法有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。但以上各方法在實(shí)際應(yīng)用中均存在其不足之處，從而影響到軸承故障檢測與診斷的效果。為此，本文認(rèn)為非常有必要立足于不斷發(fā)展的新理論和新方法，緊緊圍繞滾動(dòng)軸承故障機(jī)理分析與智能診斷現(xiàn)有方法存在的問題與不足展開研究與探討。
　　(1)針對傳統(tǒng)有線傳感器網(wǎng)絡(luò)信息采集靈活性差、故障率高的問題，本文在分

3、析滾動(dòng)軸承振動(dòng)機(jī)理、失效原因和振動(dòng)信號特征的基礎(chǔ)上，設(shè)計(jì)了滾動(dòng)軸承振動(dòng)信號無線采集網(wǎng)絡(luò)，以802.15.4和ZigBee協(xié)議為標(biāo)準(zhǔn)，采用250kbps的傳輸速率和無線部署的方式，降低系統(tǒng)復(fù)雜性和故障率，為后續(xù)軸承故障診斷方法提供基礎(chǔ)原理性的支持。
　　(2)針對噪聲較強(qiáng)有用信號較弱環(huán)境下的軸承故障問題，研究了一種基于遺傳免疫優(yōu)化粒子群算法的隨機(jī)共振方法。該方法不僅實(shí)現(xiàn)了強(qiáng)噪聲背景下的微弱信號提取，而且解決了基本隨機(jī)共振理論只能處理

4、微弱的小參數(shù)信號、不能處理軸承振動(dòng)這類大參數(shù)信號問題。通過展開深入的研究，提出了一種基于遺傳免疫的粒子群優(yōu)化算法，并將其應(yīng)用于隨機(jī)共振的關(guān)鍵參數(shù)尋優(yōu)過程，由此進(jìn)一步提出了基于遺傳免疫粒子群優(yōu)化的自適應(yīng)隨機(jī)共振算法，并采用軸承故障實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了分析與驗(yàn)證。
　　(3)針對小波理論實(shí)際應(yīng)用過程中存在難以構(gòu)造理想小波基函數(shù)的問題，研究了基于第二代小波變換的滾動(dòng)軸承故障診斷方法。該方法利用第二代小波變換將滾動(dòng)軸承故障振動(dòng)信號分解到不同尺度

5、，提取出共振頻帶，然后利用Hilbert變換進(jìn)行解調(diào)，再對解調(diào)后的信號進(jìn)行頻譜分析得到小波包絡(luò)譜，從包絡(luò)譜上獲取軸承故障特征信息。通過軸承實(shí)驗(yàn)數(shù)據(jù)應(yīng)用與分析表明，該方法準(zhǔn)確地提取了滾動(dòng)軸承不同損傷程度故障的特征頻率，實(shí)現(xiàn)了軸承故障的定量診斷。
　　(4)針對神經(jīng)網(wǎng)絡(luò)本身性能難以繼續(xù)提高的問題，研究了基于第二代小波變換與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承智能診斷方法。本文從提高神經(jīng)網(wǎng)絡(luò)輸入端的信號質(zhì)量入手，利用第二代小波變換與特征評估方法，提出了一

6、種基于第二代小波與神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動(dòng)軸承智能診斷模型，并將該模型應(yīng)用于實(shí)驗(yàn)分析與工程實(shí)踐中。結(jié)果表明從第二代小波分解后信號中提取的聯(lián)合特征能夠揭示更多的故障信息;特征評估方法能夠針對診斷對象的健康狀態(tài)分類選擇其相應(yīng)的敏感特征，大大提高了BP神經(jīng)網(wǎng)絡(luò)分類的準(zhǔn)確率，驗(yàn)證了本文所建立的智能診斷模型的有效性。
　　(5)針對滾動(dòng)軸承故障屬于典型小樣本的特征，研究了基于參數(shù)優(yōu)化支持向量機(jī)的滾動(dòng)軸承智能診斷方法。基本支持向量機(jī)方法存在模型參

7、數(shù)不易合理選取而影響到算法性能的問題，本文在詳細(xì)分析各參數(shù)對分類模型的影響的基礎(chǔ)上，建立了參數(shù)優(yōu)化模型，并采用遺傳免疫粒子群算法作為優(yōu)化方法，建立了基于遺傳免疫粒子群和支持向量機(jī)的智能診斷模型，最后將該模型用于軸承故障診斷中。結(jié)果表明，該算法不但實(shí)現(xiàn)了對SVM分類模型參數(shù)的自動(dòng)優(yōu)化，提高了SVM分類模型的故障診斷精度，而且對分散程度較大、聚類性較差的故障樣本分類有較強(qiáng)的適用性。
　　通過論文上述內(nèi)容研究，優(yōu)化了目前的應(yīng)用于滾動(dòng)軸承