论文部分内容阅读
智能时代已悄然而至,各类机械设备的智能化程度也越来越高。大众在享受设备智能化给生活带来高效、便捷的同时,也要面临因设备出现故障而带来的各种损失。滚动轴承是机械设备中普遍存在且非常容易发生故障的器件,据统计由滚动轴承损伤而引起的故障占比大约是30%。因此对机械设备滚动轴承各种故障状态进行精准的分类预测具有不容忽视的现实意义和工程价值。基于此,本文通过对采集到的轴承数据进行分解处理,并将提取到的信号特征用于轴承的故障预测分类,由此展开一系列的研究分析。主要研究内容如下:(1)采用一种基于希尔伯特振动分解(Hilbert Vibration Decomposition,HVD)的滚动轴承信号分析方法。首先介绍了经验模态分解(Empirical Mode Decomposition,EMD)方法的思想,然后针对EMD方法容易出现模态混叠现象这一缺点,引入HVD方法对故障信号进行分解处理。HVD方法把原始的故障信号分解为若干个幅值不同的分量,具有较高的分解精度,有效地克服了EMD分解模态混叠的弊端。但是HVD方法在分解过程中由于要对数据进行截断处理,无法规避边界效应的出现。为了解决这一问题,本文采用一种新的自适应波形匹配的延拓方法,通过对比实验可以看出改进后的HVD相比较HVD和EMD而言,具有更好的分解性能。然后挑选出包含特征信息较多的几个分量并求得相应样本熵,把样本熵构造成机器可识别的特征向量为下面的工作做准备。(2)采用一种基于密度函数改进噪声聚类的隶属度计算方法。在分析了几种常见隶属度求解方法受噪声影响较大的基础之上,引入了模糊噪声聚类的概念。该方法将噪声视为独立的一类,所以在很大程度上降低了噪声对算法稳定性的影响。但是其初始聚类中心是随机初始化的,一旦误选噪声点作为初始聚类中心将导致聚类结果出现严重偏差。因此本文采用密度函数取代随机赋值来对聚类中心进行初始化,最终的实验结果很好地证明了该方法的有效性。(3)采用鲸鱼算法(Whale Optimization Algorithm,WOA)对模糊支持向量机(Fuzzy Support Vector Machines,FSVM)进行参数优化。首先介绍了鲸鱼算法的原理,然后针对鲸鱼算法中存在的问题,比如种群随机初始化容易造成种群多样性缺失、收敛因子及权重因子的取值大小对算法性能的影响、算法后期容易陷入局部最优等问题做出相对应的优化方案,从而获得改进鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)。最终通过设计对比实验来验证本文所提的优化算法具有较好的鲁棒性。(4)采用一种新的改进鲸鱼算法优化模糊支持向量机(IWOA-FSVM)故障分类模型,结合特征提取工作,最终完成滚动轴承的故障诊断。