论文部分内容阅读
本文分别研究了高速列车滚动轴承故障的人工诊断和智能诊断。其中,人工诊断基于改进的变分模态分解(Variational Mode Decomposition,VMD)算法和Hilbert包络谱分析,提取分解信号的包络故障信息。智能诊断基于改进的极限学习机(Extreme Learning Machine,ELM)和改进的基于变量预测模型的分类(Variable Predictive Model based Class Discrimination,VPMCD),实现故障模式的划分。首先,本文勾勒了VMD的基本理论框架,通过多组仿真信号说明了VMD在抗模态混叠、抗虚假分量能力、噪声鲁棒性方面相对EMD算法的优势。然后指出了VMD算法在分解参数自适应选择和端点效应方面的问题。并分别提出了基于最大峭度准则的AVMD(Adaptive Variational Mode Decomposition)算法和基于距离相关系数的端点延拓修正方法。通过仿真信号验证了这两种改进方案的有效性。将AVMD应用于实测轴承故障振动信号的分析,结果表明参数自适应选择的VMD算法(AVMD)有效提升了包络谱品质,提高了轴承故障的诊断效果。极限学习机(Extreme Learning Machine,ELM)算法训练速度快,泛化性能好,具有普适逼近能力。然而该算法存在预测结果不稳定和需要通过反复试验确定网络隐层的最优神经元数等缺点。为了克服这些缺点,本文介绍了一种无须选择最优隐层神经元数的误差最小化极限学习机(Error-Minimized Extreme Learning Machine,EM-ELM)算法。在此基础上,提出了一种集成误差最小化极限学习机(Ensemble Error Minimized Extreme Learning Machine,EEM-ELM)算法,该算法除了无需选择隐层神经元数外,还能有效提升ELM算法预测结果的稳定性,同时由于合理的加权操作使得该算法的测试集准确率可以高于每一个成员EM-ELM分类器。应用于试验数据分析时,以EEM-ELM算法为分类器,以VMD分解故障信号所得本征模态函数(Intrinsic Mode Function,IMF)的归一化能量和排列熵为特征的故障诊断模型,在算法参数很宽的取值范围内都能取得超过95%的准确率,表明该故障诊断模型能有效辨别轴承复合故障。为了避免搜索分类算法最优参数的繁琐,引进了无需参数调优的基于变量预测模型的分类(Variable Predictive Model based Class Discrimination,VPMCD)算法。但是,VPMCD算法存在回归模型选择困难、回归模型精度不高、回归模型过拟合和回归模型的预测变量同其平方项、交叉项间存在多重共线性等问题。为此,作者首先提出了用ELM神经网络替换VPMCD中的一次、一次交叉、二次和二次交叉回归模型,对VPMCD改进。实验证实相比原有一次、一次交叉、二次和二次交叉等回归模型,以ELM神经网络作为回归模型能显著提升VPMCD算法的故障分类准确率。其次,作者针对VPMCD算法存在的回归模型变量选择困难、回归模型精度不高和回归模型过拟合等问题提出了以距离相关系数作为变量间相关性度量,选择回归模型变量集的改进。试验证实该改进确实能够有效提升以ELM为回归模型的VPMCD算法的准确率。