论文部分内容阅读
滚动轴承作为连接件和固定件成为大型机械设备中的核心部件,例如风力涡轮机,高速火车和飞机发动机。但由于滚动轴承的自身特点所以容易发生损坏,若出现意外故障,不仅会导致设备停机停产,严重的话也会造成不可估量的经济损失。因此,智能化且及时对滚动轴承进行故障的发现及诊断十分具有研究价值和实际意义。本课题结合滚动轴承的基本知识以及实验模拟所用的数据和平台开展了相应的研究。针对滚动轴承振动信号的去噪、特征提取以及分类算法都做出一定的改进,具体研究内容如下:(1)针对振动信号非平稳信号的特点,提出一种用平衡多小波优化CL4多小波的预处理方式,同时进行双重比较与验证。通过重复行预处理、逼近阶预处理以及本文提出的预处理方法对GHM多小波、CL4多小波进行优化,然后对信号进行去噪。整体综合验证,采用平衡多小波处理后的CL4多小波在去噪方面效果最好,其同时也能比较完整地表示信号。(2)针对振动信号特征提取,提出一种集合经验模态分解方法(Ensemble empirical mode decomposition,EEMD)来进行,是对经验模态分解方法(Empirical mode decomposition,EMD)的一种改进。针对EMD算法在处理信号时容易产生模态混叠的问题,EEMD算法能有效抑制这个问题。去噪后的振动信号经过EEMD分解为若干个模态分量,筛选出前六个故障信息丰富的IMF分量作为特征向量。并通过实验对比分析验证了EEMD算法更适用于信号处理领域,准确率更高。(3)针对滚动轴承故障类型较多,提出了一种基于有向无环图相关向量机(DAG-RVM)的诊断模型。同时构建了一对一相关向量机(OAO-RVM)、一对多相关向量机(OAR-RVM)故障诊断模型,结合本课题的方法,通过实验来对比分析,验证了本文的方法比其他两种在故障分类中更具优势。并且与有向无环图支持向量机(DAG-SVM)分类器作实验对比,验证了RVM分类器模更加适用。