论文部分内容阅读
随着工业现代化水平的提升,机械设备逐渐向大型化、复杂化、一体化的方向发展,各个部件之间的联系愈加紧密,往往一个元件的损伤就会导致整个设备的故障。旋转机械是工业生产中应用最为广泛的机械设备之一。滚动轴承是旋转机械中最主要也是最容易发生故障的元件之一,对滚动轴承的故障诊断具有重要的意义。滚动轴承振动信号中含有丰富的故障信息,且易于采样得到,基于振动信号分析的故障诊断技术也成为滚动轴承故障诊断中应用最为广泛的技术。但故障振动信号具有非平稳、非线性、频率成分复杂、噪声水平高的特性,所以从振动信号中提取故障特征,并对滚动轴承状态进行识别是其中的关键。本文的主要工作有:(1)基于模糊熵和形态学分形维数的滚动轴承早期故障检测针对滚动轴承早期故障振动信号故障特征不明显的特点,提出了利用模糊熵和形态学分形维数结合的方法,提取早期故障特征。在状态识别上,采用泛化性能较好的支持向量机(SVM)进行故障识别。提出了滚动轴承早期故障检测方案,并利用历史正常运行和故障状态下振动信号数据,训练和构建早期故障检测模型。通过实验验证了该方法的有效性。(2)基于樽海鞘群算法的参数优化变分模态分解方法变分模态分解(VMD)是一种有效的振动信号分解方法,具有较好的抗噪和抗模态混叠能力,但存在参数难以选取的问题。本文提出了一种基于樽海鞘群算法(SSA)优化的VMD参数优化方法,记为SSA-VMD。针对VMD分解后的本征模态函数(IMFs)的模态混叠程度难以度量的问题,提出了频域模态混叠密度指标,用以定量的度量IMFs模态混叠程度。并利用IMFs重构信号与原始信号的相关系数嵌入频域模态混叠密度来构建目标函数,最后利用SSA进行参数优化,通过实验表明了SSA-VMD的有效性。(3)基于SSA-VMD、形态学分形维数和ABC-ELM的滚动轴承故障诊断针对滚动轴承故障振动信号频率成分复杂,噪声水平高的特性,提出了利用SSA-VMD对振动信号分解成IMFs,利用形态学分形维数对IMFs特征进行提取的方法。最后利用人工蜂群算法(ABC)优化的极限学习机(ELM)进行故障识别。运用历史振动信号数据进行模型训练,构建出故障诊断模型。实验表明,该方案具有良好的故障诊断效果。