论文部分内容阅读
作为机械的重要组成部件,滚动轴承的状态对整个机械系统的运行有着重要影响,如果滚动轴承发生故障可能引发机械系统偏离正常的工作状态,甚至造成停机、停产、机械损毁。所以开展滚动轴承的故障诊断和预测研究尤为重要,它对保障机械设备的长期、稳定运行有着重要作用。通过对滚动轴承信号进行采集,特征提取,智能分析可以尽早发现或者预知滚动轴承将要发生的故障,从而采取检修或者更换等手段,避免由于滚动轴承故障而引发一系列重大的生产安全事故和不必要的经济损失。为了更好地辨识滚动轴承轻微故障,提高故障诊断的准确率,本文将采用距离评估技术筛选的时域参数和频域参数与IMF能量矩及基于EMD-SVD方法提取的特征相融合组成多域特征集以挖掘潜藏在动态信号中的故障信息。在已建立多域特征集的基础上运用高斯核函数支持向量机对滚动轴承进行故障诊断。实验数据分析表明,采用多域特征集方法对滚动轴承进行故障诊断的诊断正确率高达98.75%,高于采用任一单特征的故障诊断正确率。此外,本文也分析了单特征对滚动轴承不同故障的敏感性。在实际的工业应用场合,滚动轴承正常样本的数量远远多于故障样本的数量,样本不平衡会导致支持向量机的分类超平面发生倾斜,从而导致模型分类不准确,在其他模式识别方法中也存在类似的问题。本文提出将采用基于概率密度空间划分的符号化方法提取特征的异常诊断方法与支持向量机相结合的双步故障诊断模型,以解决正常样本和故障样本之间的不平衡造成的支持向量机分类超平面发生倾斜的问题。实验数据分析表明,本文提出的双步诊断模型的故障诊断正确率比支持向量机单步故障诊断的正确率提高了 3.34%。除了上述的正常轴承样本与故障轴承样本之间的不平衡问题,在轴承故障样本之间也存在样本不平衡问题。本文在双步诊断模型的基础上采用遗传操作生成“少样本类”故障样本,并将生成的一部分样本补充到原始样本中,达到故障样本类之间的平衡,然后用平衡样本对支持向量机进行训练。对于生成的“少样本类”故障样本,本文采用加权欧式距离对其进行挑选。由于对分类贡献相对大的特征参数被赋予了更大的权值,因此此判别条件筛选的样本更有利于建立准确的分类模型。参考以往学者提出的在工业应用中滚动轴承故障样本之间的比例,选择滚动体故障轴承样本与内圈故障轴承样本组成不平衡样本进行故障样本不平衡问题的研究。实验数据分析表明,采用不平衡样本训练支持向量机,故障诊断正确确率为90%,采用平衡样本训练支持向量机,故障诊断正确率为100%,提高了 10%。本文提出了一种以IMF分量值为输入特征的基于支持向量机的组合预测模型。该模型首先对轴承信号进行EMD分解,将分解得到的IMF分量按照其波动程度分成高频振动序列和低频振动序列两组,并将两组分别重构为高频子序列信号和低频子序列信号,然后选择IMF分量为输入特征,采用支持向量机对高频子序列信号和低频子序列信号分别进行预测,最后将预测的值叠加得到最终的预测结果。由于高频子序列和低频子序列在变化趋势上存在差异,所以理论上这种方法能够提高预测的精度。本文采用滚动轴承实验数据进行了验证,结果表明组合预测方法的均方根误差、平均绝对误差和平均绝对百分比误差都远小于直接预测方法。直接预测方法的平均绝对百分比误差为11.49%,而组合预测方法的平均绝对百分比误差仅为6.54%,远低于直接预测方法。实验数据分析结果证明了本文提出的组合预测模型的有效性。本文也将此组合预测模型应用于洗煤厂设备滚动轴承的状况预测,预测情况与实际情况相符合。