论文部分内容阅读
风机广泛应用于轨道交通和建筑等诸多领域,是企业生产的重要设备之一,由于其在高温、高速条件下连续运转,因此对风机的运行状态进行监测及预测剩余可用时间十分重要,对风机滚动轴承进行故障检测及剩余寿命(Remaining Useful Life,RUL)预测也是该领域的热点。基于此,本文以风机滚动轴承为研究对象,针对风机滚动轴承的外圈故障、内圈故障和滚动体故障进行研究,根据轴承振动信号研究了一种基于改进瞬态提取变换(Transient Extraction Transformation,TET)和深度置信网络(Deep Belief Network,DBN)的风机滚动轴承故障检测与RUL预测方法。主要进行了以下几方面的研究工作:(1)基于小波去噪与TET-Hilbert包络谱分析的风机滚动轴承故障检测方法研究针对风机滚动轴承振动特征多变,导致故障特征难以识别的问题,采用基于小波变换(Wavelet Transform,WT)与TET相结合的方法,并将其应用于风机滚动轴承的故障检测。首先对原始轴承振动信号进行降噪处理,小波变换在时频分析中具有局部化特性,善于处理非平稳信号,能够在去除噪声的同时很好保留信号的突出成分;再利用瞬态提取变换方法对去噪后的信号进行特征提取,TET对滚动轴承振动信号的非线性和非平稳性具有很好的处理效果;在瞬态特征提取建模的基础上,结合Hilbert包络谱分析方法,人工寻找故障频率进而识别出轴承的故障类型。与传统的时频分析方法相比,该方法可以生成更加能量集中的时频表示并允许信号重建。仿真和实验表明所提出的方法可以有效地分析出轴承故障类型,并且可以提供更加能量集中的时频表示。(2)基于RRMS的性能退化评估研究由于不同设备的轴承个体差异影响较大,即使在相同的实验条件下,不同轴承故障类型差异也很大。针对设备退化受轴承故障类型差异影响的问题,采用相对均方根值(Relative Root Mean Square,RRMS)对不同轴承的退化数据进行评估分析。RRMS对初始损伤敏感,且可随着退化稳定增长;RRMS不受轴承个体差异的影响且易于计算,减少了振动特征随机性的影响。仿真实验表明RRMS可以有效地对退化数据进行分段,可以达到评估退化数据的目的。(3)基于APSO-DBN的风机滚动轴承RUL预测研究为解决有限状态数据下滚动轴承RUL难以估算的问题,采用DBN的RUL预测方法,在DBN训练阶段引入粒子群优化算法(Particle Swarm Optimization,PSO),采用自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)的DBN算法对检测到的故障进行退化过程建模,实现风机滚动轴承的RUL预测。首先在分析DBN基本原理的基础上,利用深度置信网络强大的特征提取能力,对风机滚动轴承的振动信号进行特征提取,并建立时间序列预测模型,并对网络结构及算法流程进行了详细的说明。并针对粒子群优化算法寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点,提出了一种自适应粒子群优化算法。与传统方法比较,优化后的DBN方法更能准确地实现RUL的预测。(4)故障检测与剩余寿命预测的实验验证为了验证改进的TET的故障检测与APSO-DBN剩余寿命预测的有效性,在MFS机械故障综合模拟实验台上采集振动信号进行模拟实验,通过更换不同类型的故障轴承获得轴承的外圈、内圈和滚动体的振动信号。用Matlab仿真软件进行模型搭建,通过实验结果可以看到,本文方法对滚动轴承微小的故障信号有较高的敏感度,能够达到滚动轴承故障检测的目的,对故障轴承进行RUL预测研究,结果显示本文的预测模型可以有效预测滚动轴承的剩余寿命,达到了预测滚动轴承剩余寿命的目的。