论文部分内容阅读
滚动轴承是列车车辆齿轮箱中极易受损的元件之一,有效提取轴承故障特征进行不同状态的模式识别是轴承故障诊断的关键。滚动轴承的故障信号表现为非线性和非平稳性,常常受噪声的干扰较大,难以分离其故障特征。基于此,本文以滚动轴承为研究对象,将集合经验模态分解信号处理与奇异值分解相结合进行故障特征提取,将支持向量机用于滚动轴承的故障状态识别中。主要工作内容如下:(1)论述滚动轴承故障机理及故障信号分析方法。针对滚动轴承故障诊断时采用的故障特征提取与状态识别方法,以及相关信号降噪方法进行了国内外研究现状的详细论述。在分析滚动轴承的故障机理基础上,对其失效形式和故障特征频率的计算做了分析。奇异值分解(SVD)可有效降低背景噪声对信号特征提取的影响,合理选取SVD降噪秩阶次是关键,讨论了不同准则下选取奇异值秩阶次对降噪效果的影响。(2)EEMD与改进的SVD降噪方法相结合提取滚动轴承故障特征。EEMD分解后用不同的评价准则选取含故障信息量较大的IMF分量,运用EEMD熵与峭度、均方差构建的综合评价指标选取IMF分量,通过实测轴承故障信号进行了验证。首先,利用改进SVD对原始信号进行降噪;其次,运用EEMD分解获得若干个IMF分量,根据综合指标选取含故障信息量较大的IMF分量;最后对筛选出的IMF进行包络解调分析,提取轴承的故障特征频率,用仿真信号和实验信号对所述方法进行有效性验证。(3)引入支持向量机(SVM)识别滚动轴承不同故障状态模式。介绍了支持向量机的基本原理,并建立了遗传算法(GA)优化的SVM模型。鉴于EEMD可提取出轴承故障特征频率,将之与GA-SVM模型相结合,构建改进Hilbert-Huang变换与GA-SVM的滚动轴承故障诊断方法。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用拉普拉斯得分(LS)对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过凯斯西储大学轴承不同状态下的试验数据验证该方法的有效性。