论文部分内容阅读
旋转机械是设备状态检测与故障诊断工作的重点,而旋转机械的故障有相当大比例与滚动轴承有关。因此,及时发现并排除轴承故障具有重要意义。为了正确识别和诊断滚动轴承的故障,必须合理地提取故障特征。特征选取就是要从已提取出的特征中选取出对诊断故障贡献大的有用信息,一定程度地缩短故障诊断的时间和提高故障诊断的效果。 本课题研究的目的在于提出一种应用于轴承故障特征选取的新方法,为轴承故障特征选取提供新的思路。本文在总结和汲取他人研究成果的基础上,引入小波包分析技术和智能优化算法,从滚动轴承振动信号中获取故障特征信息,有效地实现滚动轴承的故障诊断。本文的内容主要包括以下几个方面: 首先,综述轴承故障诊断的意义和现状,轴承故障诊断的主要环节和类型。特征选取在轴承故障诊断中的重要意义和发展状况。 其次,特征提取环节采用小波分析技术。传统的特征提取主要应用的是离散小波变换,由于离散小波变换存在只是逐级分解振动信号低频部分的缺陷,然而振动信号的高频部分也包含着丰富的有价值信息,因此本文中采用小波包变换,同时分解振动信号的高频部分和低频部分,获取轴承振动信号的全部信息。 最后,轴承特征选取过程主要是结合智能优化算法和神经网络的算法,其中神经网络是故障诊断中的重要故障分类工具,智能优化算法的特点就是全局搜索特性和全局寻优功能。本文中主要涉及到目前应用较为广泛的三种智能优化算法,遗传算法、蚁群算法和模拟退火算法。 本文中由实验得到的结论表明:三种基于智能优化算法的特征选取方法较传统特征提取方法更能够选取出体现轴承振动信号中的有价值信息,减少存储空间和计算时间,降低训练过程的耗时,加快训练网络的收敛速度,最大程度地提高分类精度。因此,开展智能优化算法在故障诊断的应用研究是意义的。