论文部分内容阅读
滚动轴承作为旋转类机械设备的重要部件,常与轴、齿轮一起被应用于大型精密机械设备,其健康状态的优劣严重影响到机器整体的运行情况。若滚动轴承发生故障,轻则影响机械产品加工的质量,耽误产品的生产计划;重则机械设备系统瘫痪,造成严重的人身伤害和财产损失。对其健康状态进行在线监测、实现早期故障的检测是机械故障诊断的重要研究内容。由于滚动轴承通常不单独工作且工作环境极其恶劣,其振动信号拥有复杂的非线性信息,传统的时域特征指标在反映其复杂性信息时易造成信息遗漏与误判。多尺度排列熵(Multi-scale Permutation Entropy,MPE)作为一种新的非线性动力学分析方法,近年来被广泛应用到旋转机械的故障诊断中,初见成效。但MPE也具有一定局限性,其理论研究与工程应用均需进一步发展与研究。针对MPE存在的缺陷,本文研究并解决了MPE中存在的若干理论问题,同时将所提方法应用于滚动轴承的故障诊断中。论文在国家重点研发计划子课题与国家自然科学基金的支持下,重点开展以下内容的研究:(1)针对MPE中粗粒化过程会造成大量有效信息遗失的问题,在不改变原有粗粒化定义框架的基础上,采用“滑动平均”的思想,提出了一种“复合粗粒化”时间序列处理方式;同时,结合MPE方法,提出了复合多尺度排列熵(Composite Multi-scale Permutation Entropy,CMPE)。此外,对相空间中向量排列模式计算方法进行优化,提出复合多尺度加权排列熵(Composite Multi-scale Weighted Permutation Entropy,CMWPE)。通过合成数据将CMPE与MPE进行对比,证明了所提方法在故障特征提取方面的有效性、稳定性与优越性。将CMWPE、多尺度加权排列熵(Multi-scale Weighted Permutation Entropy,MWPE)与MPE结合极限学习机(Extreme Learning Machine,ELM)对滚动轴承的健康状态进行诊断,对比输出的故障识别率,结果表明,所提CMWPE与ELM可以有效诊断滚动轴承的故障类型和程度。(2)针对MPE处理原始时间序列,故障信息丰富度不足的问题,采用“间隔采点”的方式与MPE结合,提出了时移多尺度排列熵(Time-shift Multi-scale Permutation Entropy,TSMPE)。TSMPE不仅保障了原始时间序列的故障信息丰富度,而且使得原始序列信息中的故障信息表现更为明显。在TSMPE的基础上,为克服排列熵中概率计算的不足,引入“加权因子”的概念,提出了(Time-shift Multi-scale Weighted Permutation Entropy,TSMWPE),结合灰狼算法优化支持向量(Grey Wolf algorithm Optimization Support Vector Machine,GWO-SVM),提出了基于TSMWPE与GWO-SVM的滚动轴承故障诊断方法,证明了所提TSMWPE在特征提取上的优越性。(3)针对MPE不能处理多通道数据,降低了故障诊断效率的问题,在MPE与CMPE的基础上,引入了“多元”思想,提出了(Multi-variate Multi-scale Permutation Entropy,MMPE)和(Composite Multi-variate Multi-scale Permutation Entropy,CMMPE)。通过合成数据,对比CMMPE与MMPE,证明了CMMPE更具稳定性。结合拉普拉斯分值(Laplace Score,LS)与蝙蝠算法优化支持向量机(Bat algorithm Optimization Support Vector Machine,BA-SVM),提出了基于CMMPE、LS与BA-SVM的滚动轴承故障诊断方法,与基于MMPE、LS与BA-SVM以及基于MPE、LS与BA-SVM的滚动轴承故障诊断方法对比,结果验证了所提方法的优越性。