论文部分内容阅读
随着科学技术的发展,机械设备的复杂化程度越来越高,导致部件之间联系十分密切,假如某一个部件出现故障而无法正常工作,必然会“牵一发而动全身”,导致整个设备都无法正常工作,严重影响生产效率和经济效益。故障诊断主要步骤是首先采集设备现场运行信息,然后提取故障特征,最后进行状态识别和故障诊断。其中最关键的是从振动信号中提取对故障敏感的特征,同时也是本文的研究重点。深入研究了变分模态分解(VMD)算法的基本原理,针对其参数不易确定的问题做出改进,提出运用混沌粒子群优化算法优化VMD算法的参数。并通过测试函数对标准粒子群优化算法和混沌粒子群优化算法进行了数值仿真对比,验证了混沌粒子群优化算法比标准粒子群优化算法具有更高的搜索效率。提出了一种基于混沌粒子群算法优化VMD参数的滚动轴承故障识别方法,首先运用混沌粒子群算法优化VMD参数;然后对滚动轴承故障信号进行VMD分解,进而通过互相关系数筛选出有效分量并进行信号重构,提取不同故障类型信号的特征向量;最后通过核模糊C均值(KFCM)聚类算法对训练样本特征向量集进行聚类,得到不同的聚类中心,再利用最小欧氏距离原则对测试样本特征向量进行识别。并在相同诊断问题和诊断数据的情况下,将VMD方法和经验模态分解(EMD)方法的聚类效果以及故障识别率进行了对比,验证了VMD算法的优势。以机械故障综合模拟实验台为对象,搭建了基于LabVIEW的信号采集系统,采集了滚动轴承不同类型的故障信号。经研究发现,由于混沌粒子群算法优化VMD参数消耗时间过多,所以采用了一种基于VMD消噪的滚动轴承故障识别方法对其进行故障识别,此方法中包含了一种简单有效确定VMD参数的方法。并在相同的诊断问题和诊断数据的情况下,将VMD方法与EMD方法进行对比,结果表明VMD方法的KFCM聚类效果以及故障识别率均优于EMD方法,说明基于VMD消噪的滚动轴承故障识别方法的有效性以及时效性。