滚动轴承复合故障特征增强和智能识别方法研究

摘要

大型旋转机械大都处于工况复杂的恶劣环境中，设备极易受损。滚动轴承作为旋转机械的核心部件，直接影响着设备的运行安全问题。采集的滚动轴承振动信号往往混有大量的外界噪声，具有非线性、非稳定的特点，不易处理。因此，如何对滚动轴承进行有效监测和诊断是亟待解决的技术问题。本文将滚动轴承作为主要研究对象，开展了滚动轴承复合故障特征增强和智能识别的方法研究。主要研究内容分为三个方面:
　　(1)在信号处理方面，研究了灰狼优化算法(GWO)优化VMD的信号特征增强方法。VMD算法在一定程度上解决了模态混叠问题，但是预设尺度和平衡因子选取不当可能会产生信号欠分解、过分解和混叠等问题。针对该问题，本文引入群体智能优化算法，提出了基于GWO优化的VMD算法。结合平均瞬时频率，该优化算法能够有效寻求最佳系数组合预设尺度和平衡因子。利用两种不同的滚动轴承故障模拟实验台对改进算法进行实验验证和分析，实验结果表明:灰狼优化VMD算法能够有效削弱噪声成分的影响，增强信号的故障特征。因此，基于GWO优化VMD算法适用于滚动轴承微弱故障信号的处理。
　　(2)在故障特征参数集构建方面，研究了时域和频域特征参数、峭度谱熵以及MFCC系数的特征参数构建问题。为了全面而准确地描述轴承故障信息，提取更加合适的特征参数集，本文首先构建了包含多种特征参数类型的融合特征参数集，其次采用有监督的封装型特征约简方法对多维融合特征参数集进行维数约简，实现了去除特征全集中的冗余和不相关特征参数的目的，最后重构出特征敏感且鉴别能力突出的最优特征参数集。
　　(3)在故障模式识别方面，研究了基于改进ELM分类器的故障分类算法，本文将模型结构简单且泛化性能强的ELM应用到轴承故障诊断模型中。然而传统的ELM存在着缺陷，针对ELM只接收隐含层间接信息而忽略输入层直接信息的问题，本文提出了双并行ELM(DP-ELM)模型。同时为了进一步减少隐含层节点数且提高分类精确度，本文引入双隐含层结构，提出了双并行双隐层ELM(DPT-ELM)模型。通过实验验证与分析，证明了DPT-ELM方法较传统方法（BP算法等）在运算速率及分类精确度上有明显的优势。同时，对DPT-ELM算法采用十次十折交叉验证算法进行了有效性分析，实验结果证明了模型的有效性，因此本文提出的改进ELM算法适用于滚动轴承的智能故障诊断中。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状及发展趋势

1．3 论文主要内容以及创新点

1．4 论文结构框架

第二章 基于群体智能优化的VMD特征增强方法研究

2．1 变分模态分解算法原理及其存在的问题

2．1．1 变分模态分解算法原理

2．1．2 变分模态分解算法存在的问题

2．2 基于群体智能优化VMD算法的特征增强方法

2．2．1 灰狼优化算法

2．2．2 基于灰狼优化的VMD特征增强方法

2．3 改进VMD方法验证及结果分析

2．3．1 实验条件

2．3．2 实验结果与分析

2．4 本章小结

第三章 最优特征参数集的构建方法研究

3．1 时域特征和频域特征参数提取方法

3．1．1 时域特征参数提取方法

3．1．2 频域特征参数提取方法

3．1．3 时域和频域特征参数有效性分析

3．2 峭度谱熵

3．2．1 峭度谱熵特征参数提取方法

3．2．2 峭度谱熵特征参数有效性分析

3．3 Mel频率倒谱系数

3．3．1 Mel频率倒谱系数特征参数提取方法

3．3．2 MFCC特征参数有效性分析

3．4 最优特征参数集的构建

3．4．1 基于有监督封装型特征约简的最优特征参数集构建方法

3．4．2 方法验证及结果分析

3．5 本章小结

第四章 基于改进极限学习机的复合故障智能诊断方法研究

4．1 基于传统极限学习机的复合故障智能诊断

4．1．1 极限学习机原理

4．1．2 传统ELM方法实验分析

4．2 基于双并行极限学习机的复合故障智能诊断

4．2．1 双并行极限学习机原理

4．2．2 DP-ELM方法验证及结果分析

4．3 基于双并行双隐层极限学习机的复合故障智能诊断

4．3．1 双并行双隐层极限学习机原理

4．3．2 DPT-ELM方法验证及结果分析

4．4 DPT-ELM有效性验证分析

4．5 本章小结

第五章 结论与展望

5．1 研究成果总结

5．2 后续研究展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介