论文部分内容阅读
滚动轴承作为旋转机械中最基本的传动元件,其良好的运转状况决定着机械系统的工作性能与安全性能。但是因为轴承的生产工艺、运行环境等诸多因素会使其发生失效或故障,因此需要有效监测和诊断滚动轴承的运转状态。随着轴承故障诊断技术的诞生,摆脱了定期停机检测、维修的弊端,提高了旋转机械的生产效率。本文以采集到的轴承信号为研究对象。针对使用变分模态分解方法处理轴承信号时需要人为设定待分解轴承信号的模态数以及BP神经网络的训练过程易于停滞等问题,从信号处理和模式识别两个方向展开了研究,主要的研究内容如下:首先,介绍了监测滚动轴承状态对工业生产的意义,并阐述了滚动轴承故障诊断中常用的技术手段以及优劣性。深入剖析了变分模态分解算法的基本原理,针对其对轴承信号处理时需要预设模态数的限制,提出了一种基于自适应阈值与频谱极值点之间的关系确定变分模态分解算法中最佳模态个数的策略,本文称之为自适应变分模态分解,简称AVMD。通过对仿真信号和轴承信号的多方面分析,验证了AVMD能够有效的对复杂多频带信号进行有效的分解且信号不发生混叠现象。此外,AVMD在对滚动轴承故障信号的处理过程中能够有效分离出被噪声因素淹没的周期冲击特性,并且能够获得转频及故障特征频率。其次,由于BP神经网络在训练过程中容易出现过早收敛的现象,而目前较好的改进策略是引进智能算法,但是大多数智能算法具有共同的缺陷即学习方向单一、训练过程容易停滞,因此本文提出了一种改进的智能算法称为排斥差分进化算法,简称RBDE。该算法的核心思想是子代不再单纯地向最优个体学习,这种机制增加了种群学习方向的多样性。RBDE算法中存在两种独特的学习机制,其一是RBDE选择两个父代个体作为排斥源并产生两种不同方向的排斥力,排斥力将推动子代探索最优位置;其二是将两个父代个体之间产生的历史梯度作为后代学习的方向。通过CEC2017测试函数集证明了RBDE在求解具有复杂性、随机性的问题时具有较为出色的能力,且明显优于粒子群等算法。因此RBDE算法应用于优化BP神经网络中(简称RBDE-BP神经网络),将有利于网络快速收敛到全局最优点,为提高轴承故障识别率提供了一种新的思路。最后,以西储大学七种运行状态的轴承信号作为研究对象。将各类信号经过AVMD处理后使用峭度指标对信号进行重构,提取重构信号的多尺度排列熵值作为轴承的特征向量,并使用这些特征向量完成对RBDE-BP神经网络的训练和测试。结果表明,各类轴承故障信号的多尺度排列熵值具有可分性,此外基于RBDE算法优化的BP神经网络模型在七类轴承故障识别中的迭代次数和训练误差均得到了明显降低且诊断率可达98.57%。