论文部分内容阅读
基于数据驱动的旋转机械智能故障诊断方法不需要大量的先验知识和专家经验,相对于传统的设备故障诊断方法具有很大优势,也是未来设备故障诊断研究领域的主要发展方向。针对旋转机械智能故障诊断方法中振动信号降噪方法损害信号完整性、故障特征敏感性差、模式分类器参数寻优算法收敛速度慢等问题,进行深入研究并提出相应的改进,进而提升旋转机械智能故障诊断方法的诊断性能和精度。具体研究内容如下:首先,研究了旋转机械故障振动信号的降噪方法。绝大多数旋转机械处于复杂的工作环境下,要对包含噪声的信号进行有效的降噪处理,同时还要避免信号有效信息受到损害。为此提出一种新的旋转机械降噪方法,将CEEMD同小波阈值降噪方法结合在一起进行故障振动信号降噪,在保证信号完整性的同时很好地完成了信号的降噪处理。其次,研究了旋转机械故障特征提取方法。从降噪后振动信号中提取SPWVD时频图,从时频分布图中提取图像纹理特征参量,组成故障特征集,准确挖掘信号中的各个阶段程度故障模式信息。通过实验验证比较几种不同时频分析方法提取故障特征的性能优劣。再次,基于SVM机器学习方法建立旋转机械智能故障模式分类器,采用改进的自适应粒子群算法对模式分类器参数进行优化,提高故障诊断过程的准确性。以训练故障特征集训练SVM得到最优模式分类器,再将测试故障特征集输入到最优模式分类器中,输出智能模式识别结果,实现旋转机械智能故障诊断。最后,对该方法的实际应用进行模拟验证。用旋转机械振动数据作为输入,分别进行四组模拟应用实验,对旋转机械所处的故障状态以及某一故障状态下的不同故障程度进行识别,实验结果表明方法是正确和有效的。本文提供了一种旋转机械智能故障诊断方法,改进了振动信号降噪处理、故障特征提取以及故障模式分类器参数寻优方法,对旋转机械智能故障诊断的后续研究具有重要意义。