论文部分内容阅读
随着科技水平的快速提高,当前机械设备朝着更加高端化、复杂化的方向发展,设备各构件之间的关联也越来越密切。设备的整体安全运行离不开每一个零部件的正常工作,当某一零部件损坏而不能正常工作时,往往会使整个机械设备陷入瘫痪,致使企业生产无法正常进行,带来严重的经济损失或人员伤亡。滚动轴承作为机械设备最重要的旋转部件之一,其故障诊断基本流程为机械设备运行时振动信息采集,提取信号中的故障特征与判定故障类型。如何更好提取信号故障特征与准确识别故障类型更是本文的研究重点。 首先介绍了自相关的相关理论,针对不同类型的调制信号做自相关推导,研究调制信号的自相关分析由即学习自相关函数与调制信号的自相关理论,然后利用自相关理论对构造的仿真信号进行消噪处理。针对经验模态分解算法(EMD)与变分模态分解算法(VMD)的基本流程进行了详细研究,分别利用两种方法对仿真信号与实际轴承信号进行处理,将两种算法的分解效果进行对比。下一步研究学习基本粒子群算法原理,鉴于基本粒子群寻优时存在所得结果为局部最优与寻优时间过长的问题,在此问题基础上探索了基于自然选择粒子群算法,自然选择粒子群算法可以有较好的处理效果,同时进一步研究VMD方法中分量个数K与带宽值α两个参数不能准确设定的问题,提出依靠自然选择粒子群优化算法优化VMD算法中K与α的数值,并对各种状态的实际轴承数据最优参数分别进行了寻找。 文章最后提出来一种基于自相关消噪、自然选择粒子群算法优化VMD参数、熵特征与支持向量机结合的滚动轴承故障识别方法,利用自相关分析对轴承信号进行降噪处理,然后自然选择粒子群算法优化VMD算法中K与α数值;对自相关降噪后的轴承信号做VMD分解处理,构建各种轴承故障信号的高维特征向量;再利用支持向量机训练样本特征,对测试样本特征向量进行识别。在诊断数据相同的情况下,比较了参数优化VMD方法和经验模式分解(EMD)方法处理的故障识别率,验证了该方法的优势。