基于CEEMDAN与粒子群算法的旋转机械故障诊断研究

摘要

旋转机械是通过旋转来完成其主要功能的机械，是一种重要的改变转速和传递转矩的通用零部件。近年来，随着现代工业的发展，旋转机械被广泛应用于航空机械、运输机械、农机、冶金机械、矿山机械、工程机械、切削机床等各个方面。因此，旋转机械的工作状态的对于机械成套设备甚至流水线有着重大的影响，大力研究和发展更加有效的故障诊断技术已成为迫切的需求。这项技术在维护设备和生产人员的安全、提高生产效率、降低设备损耗等方面有很大的应用价值。本文在中国博士后科学基金（编号:2016M601800）的资助下，以常见的旋转机械部件为对象，从故障特征提取、故障模式诊断识别、信号降噪方面对旋转机械的故障诊断技术进行研究，以探寻更为优良的故障诊断方法。本文的主要研究内容包括: (1)针对旋转机械信号过繁杂而导致对其难以找寻有效特征的问题，把小波包方法用来提取信号的能量特征值，为用神经网络法做出故障诊断奠定了基础。针对故障诊断的常用方法-BP神经网络容易陷入局部最优值而导致诊断精确度不足的情况，提出了简便有效的粒子群算法对其进行优化。通过采集到的齿轮箱振动信号数据，将粒子群优化的BP神经网络与未经优化的BP神经网络的诊断精度进行对比，证明了这种优化方法对于旋转机械的故障诊断有帮助。 (2)针对目前一般的去噪方法（包括小波包）的去噪效果不够好的情况，尝试以CEEMDAN（带有自适应白噪声的完全集合经验模态分解）方法为基础，对信号用分解重构的方式进行去噪。并通过与EEMD(集合经验模态分解）重构去噪、小波包去噪进行对比，验证了这种方法在旋转机械振动信号去噪方面有独特的优点。 (3)针对常用的旋转机械故障特征提取方法-经验模态分解法及其改良法EEMD的诸多缺点，将原本应用于生物医学领域的CEEMDAN方法尝试应用到旋转机械的故障特征频率的提取上，发现这种经验模态分解的新型改良方法相较于EEMD，对特征提取的效果更好，能让人从分解结果的图谱更方便地提取故障频率。 (4)设置了四种诊断组合来将CEEMDAN与粒子群算法相结合，并在实例中进行比较，进一步验证CEEMDAN在去噪方面的优点以及粒子群在优化诊断效果方面的优势。

目录

声明

摘要

第一章绪论

1．1引言

1．2旋转机械故障诊断的研究现状

1．2．1旋转机械故障诊断的发展历程

1．2．2旋转机械故障诊断的研究现状

1．3课题研究的主要内容

1．3．1研究目标

1．3．2研究内容

1．4论文框架图

第二章常见旋转机械的故障类型与故障特征

2．1齿轮故障类型及振动机理

2．1．1齿轮的故障类型

2．1．2齿轮的振动机理

2．2滚动轴承故障

2．2．1滚动轴承的故障类型

2．2．2滚动轴承的振动机理

2．3本章小结

第三章基于粒子群算法优化的BP神经网络及其应用

3．1神经网络

3．1．1神经网络概述

3．1．2神经网络模型

3．2 BP神经网络

3．2．1 BP神经网络模型

3．2．2 BP神经网络学习机制

3．2．3神经网络的设计

3．3粒子群算法

3．3．1粒子群算法概述

3．3．2粒子群算法原理

3．4粒子群算法优化的BP神经网络

3．5两种小波包分析方法

3．5．1小波包降噪

3．5．2小波包能量特征值的提取

3．6齿轮箱振动信号采集实验

3．6．1实验平台介绍

3．6．2数据采集

3．6．3实验后的数据处理

3．7粒子群优化的BP网络与未优化的BP网络对齿轮箱故障识别能力的比较

3．8本章小结

第四章CEEMDAN原理及其应用

4．1集合经验模态分解原理

4．2带有自适应白噪声的完全集合经验模态分解原理

4．3 EEMD与CEEMDAN对仿真信号去噪能力的比较

4．4在滚动轴承故障特征提取方面的实际应用研究

4．4．1对轴承内圈故障的分析情况

4．4．2对轴承外圈故障的分析情况

4．5本章小结

第五章CEEMDAN结合粒子群算法在故障诊断中的研究

5．1 CEEMDAN结合粒子群算法的研究流程与方式

5．2四组不同组合对轴承故障的诊断

5．3诊断结果分析

5．4本章小结

第六章总结与展望

6．1工作总结

6．2展望与建议

参考文献

致谢