论文部分内容阅读
通风机作为一种典型的旋转机械设备,在矿井通风、锅炉通风、冶金工业等方面发挥了重要的作用,对其展开运行状态监测和故障诊断研究具有非常重要的意义。本文将通风机作为研究对象,对通风机不同位置的轴承在不同故障状态时的信号进行特征提取,并实现对通风机轴承的故障预警与诊断。主要研究内容为:在特征提取部分,首先,介绍了希尔伯特黄变换(HHT)算法,针对经验模态分解(EMD)算法中存在的端点效应问题,采用支持向量回归机(SVR)对信号两端进行延拓,并通过实验验证支持向量回归机对解决EMD端点效应问题的有效性;接着,针对EMD算法中存在的模态混叠问题,提出使用自适应噪声的完全集合经验模态分解(CEEMDAN)算法解决模态混叠问题,并通过对轴承故障信号的分解实验验证了该算法的优越性;最后,采用CEEMDAN-能量、CEEMDAN-排列熵方法分别提取轴承故障信号的特征,并针对CEEMDAN-排列熵特征提取算法中类内统一性缺乏的问题,提出一种基于CEEMDAN分解的加权排列熵特征提取模型,为故障预警和故障诊断部分奠定良好的基础。在故障预警部分,引入阴性选择算法,并将基于CEEMDAN-能量、CEEMDAN-排列熵、CEEMDAN-加权排列熵三种故障特征提取方法分别与固定半径阴性选择算法(NSA)、可变半径阴性选择算法(V-detector NSA)相结合,实现对通风机轴承的故障预警。在故障诊断部分,采用极限学习机(ELM)实现对通风机轴承故障的诊断。首先,针对ELM算法中输入权值和隐含层偏置随机设定导致分类性能不稳定的问题,采用差分优化算法(DE)对ELM算法的这两个参数进行寻优;接着,将CEEMDAN-加权排列熵特征提取方法与DE-ELM相结合构建故障分类模型,并应用到对通风机轴承的故障诊断中;最后,通过分别与CEEMDAN-能量、CEEMDAN-排列熵特征提取算法进行对比实验,验证了所提模型在对通风机轴承故障诊断时的准确性和时效性。