论文部分内容阅读
随着科技的发展,机械设备朝着自动化、集成化、复杂化和系统化发展,并且设备之间的耦合性增加,一旦设备某个零部件发生故障不仅设备本身会出现问题,与该设备关联的其他设备也会受到影响,引起连锁反应,因此及时准确的进行故障诊断意义重大。振动信号不仅蕴含设备的运行状态信息,并且易于采集,采用振动信号分析能判断设备高效且准确判断设备是否正常运行。机械设备中的滚动轴承是非常重要的元件,其可靠性对于机械设备甚至整个系统的正常运转是至关重要的。本文主要针对基于振动信号的故障诊断中振动信号的降噪和特征提取两个重要的问题进行了研究:首先提出了2维段匹配(PM2D)振动信号去噪方法,将去噪后的信号用经验模态分解(EMD)和包络分解方法提取故障特征实现故障诊断;然后提出了综合故障特征(IFF)提取方法,将提取的特征结合基于粒子群算法(PSO)的改进支持向量机(SVM)实现故障诊断。研究内容主要分为如下两个方面:(1)根据现有振动信号去噪方法的不足,提出了2维段匹配(PM2D)去噪算法。此算法主要受3维块匹配(BM3D)去噪算法的启发,根据振动信号的局部和非局部相关性提出。其包括两部分,第一部分包括分组、协同滤波、聚合重构,第二部分在第一部分结果的基础上重复上述步骤,达到理想的去噪效果。信号去噪后采用包络分析,从包络谱中频率值判断滚动轴承是否有故障。最后分别使用数值仿真数据和实验数据对此方法进行了验证。(2)针对现有故障诊断方法难以同时满足有效性和快速性的要求的问题,本文根据现代信号处理技术提出了综合故障特征(IFF)提取方法,该方法可有效快速提取不同故障类型状态下的振动信号特征。此方法首先用Hilbert-Huang变换(HHT)得到希尔伯特谱,HHT具有自适应性并且有较高的计算效率,但是希尔伯特谱维数较高,数据较多,进一步分析计算效率较低,所以利用奇异值分解提取希尔伯特普特征作为特征向量之一。由于振动信号频率成分比较复杂,希尔伯特谱并不能完全对所有故障情况进行辨析,而排列熵能刻画信号的复杂度,且计算速度较快,所以本文采用排列熵作为振动信号的另一个特征补充。实验表明,将两个特征结合能有效提取不同故障类型的特征。提取信号特征后,故障分类也是一个重要的问题。因为SVM在处理分类问题时具有优越性,所以本文采用SVM作为故障分类器,并采用PSO对其进行优化。最后将所提方法运用到两个实际滚动轴承故障的数据中,并与经典方法比较以验证其有效性。