基于變分模態(tài)分解與優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械早期故障診斷方法研究.pdf

1、旋轉(zhuǎn)機(jī)械作為現(xiàn)代化工業(yè)生產(chǎn)中必不可少的工程設(shè)備，被廣泛應(yīng)用于化工、石油、冶金、電力等關(guān)系國(guó)計(jì)民生的重要領(lǐng)域。一旦旋轉(zhuǎn)機(jī)械設(shè)備發(fā)生故障輕則致使整個(gè)系統(tǒng)癱瘓?jiān)斐删薮蠼?jīng)濟(jì)損失，重則產(chǎn)生人員傷亡。研究表明旋轉(zhuǎn)機(jī)械早期故障階段具有較長(zhǎng)的潛伏期，如果能在旋轉(zhuǎn)機(jī)械設(shè)備故障萌芽即將出現(xiàn)、剛剛出現(xiàn)或故障程度比較輕微時(shí)，準(zhǔn)確地預(yù)測(cè)故障可能發(fā)生的時(shí)間、部位以及故障類(lèi)別，并據(jù)此指導(dǎo)旋轉(zhuǎn)機(jī)械設(shè)備的保養(yǎng)和維修工作，將有利于對(duì)旋轉(zhuǎn)機(jī)械設(shè)備故障發(fā)展進(jìn)行有效控制，并保障

2、其安全可靠地運(yùn)行。
　　旋轉(zhuǎn)機(jī)械早期振動(dòng)信號(hào)易受強(qiáng)背景噪聲干擾，同時(shí)受到傳輸路徑與信號(hào)衰減、傳播介質(zhì)與采集設(shè)備損耗等因素影響，進(jìn)一步弱化了振動(dòng)信號(hào)中包含的故障振動(dòng)信號(hào)信息；旋轉(zhuǎn)機(jī)械大多結(jié)構(gòu)復(fù)雜，故障源信號(hào)至測(cè)點(diǎn)位置為非線性傳播，同時(shí)運(yùn)行工況不穩(wěn)定、多部件耦合振動(dòng)、振動(dòng)干擾大等特點(diǎn)，使得采集到的故障振動(dòng)信號(hào)具有強(qiáng)烈的非平穩(wěn)、非線性等特點(diǎn)，導(dǎo)致故障振動(dòng)信號(hào)與設(shè)備狀態(tài)映射關(guān)系模糊，故障特征難以提??；旋轉(zhuǎn)機(jī)械早期故障樣本缺乏長(zhǎng)期性、系統(tǒng)性

3、的收集，故障樣本稀缺且故障特征值和故障的類(lèi)別無(wú)明確的映射關(guān)系，故障辨識(shí)難度大。
　　論文針對(duì)旋轉(zhuǎn)機(jī)械微弱故障信號(hào)增強(qiáng)、非線性及非平穩(wěn)故障信號(hào)特征提取、小子樣故障診斷等問(wèn)題，深入研究基于變分模態(tài)分解及優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械早期故障診斷方法，具體研究?jī)?nèi)容如下：
　?、籴槍?duì)旋轉(zhuǎn)機(jī)械早期背景噪聲干擾大故障信息微弱的問(wèn)題，提出自適應(yīng)最大相關(guān)峭度反卷積的微弱故障增強(qiáng)方法。以相關(guān)峭度作為評(píng)價(jià)指標(biāo)，充分考慮早期故障振動(dòng)信號(hào)中所含沖擊成

4、分的特性，通過(guò)迭代過(guò)程以實(shí)現(xiàn)解卷積運(yùn)算；利用小波Shannon熵作為目標(biāo)函數(shù)，采用變步長(zhǎng)網(wǎng)格搜索法自動(dòng)搜尋最優(yōu)濾波器階數(shù)以及周期；使最大相關(guān)峭度反卷積方法在達(dá)到很好的效果的同時(shí)更具有自適應(yīng)性，從而有效地檢測(cè)出被噪聲淹沒(méi)的微弱故障；
　?、卺槍?duì)旋轉(zhuǎn)機(jī)械故障信號(hào)非平穩(wěn)、非線性特征提取難的問(wèn)題，提出自適應(yīng)變分模態(tài)分解的多頻帶多尺度樣本熵特征集構(gòu)建方法。利用不同頻帶上模態(tài)的多尺度樣本熵組成敏感特征向量集，表征旋轉(zhuǎn)機(jī)械早期故障狀態(tài)特征，進(jìn)而

5、提高對(duì)旋轉(zhuǎn)機(jī)械早期故障狀態(tài)的辨識(shí)能力；
　　③針對(duì)變分模態(tài)分解中一些關(guān)鍵參數(shù)選擇不確定的問(wèn)題，提出自適應(yīng)變分模態(tài)分解方法；提出以VMD分解后各模態(tài)與原信號(hào)之間的相關(guān)性來(lái)保證分解的精度并指導(dǎo)最優(yōu)K值的確定；VMD分解中平衡約束參數(shù)越小，所得模態(tài)分量帶寬越大，易出現(xiàn)中心頻率重疊以及模態(tài)混疊的現(xiàn)象；通過(guò)仿真實(shí)驗(yàn)分析，提出在實(shí)際應(yīng)用中一般可取平衡約束參數(shù)為采樣頻率；研究分析了自適應(yīng)變分模態(tài)分解的性能：正交性能分析、能量保存度分析、等效濾波

6、屬性分析；通過(guò)仿真實(shí)驗(yàn)分析得出：自適應(yīng)變分模態(tài)分解在正交性能、能量保存性能方面，均優(yōu)于EMD、EEMD、LMD方法；利用分?jǐn)?shù)高斯噪聲通過(guò)數(shù)值模擬實(shí)驗(yàn)對(duì)EMD、LMD、AVMD等效濾波屬性分析，相比于EMD和LMD，AVMD可以更接近于小波包分解，且是一種比EMD和LMD能提供更高的時(shí)頻分辨率的自適應(yīng)分解方法；對(duì)比研究了AVMD與EMD性能，發(fā)現(xiàn)當(dāng)有異常信息干擾時(shí)，AVMD仍具有很好的效果；
　?、茚槍?duì)旋轉(zhuǎn)機(jī)械早期故障樣本缺乏，提出

7、基于免疫遺傳算法優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械小子樣故障診斷方法。通過(guò)引入權(quán)重因子將不同核函數(shù)組合學(xué)習(xí)，基于全局核函數(shù)以及局部核函數(shù)構(gòu)造多核函數(shù)，實(shí)現(xiàn)輸入特征向量到核函數(shù)空間的快速映射，算法泛化能力更好、模型解釋能力更強(qiáng)；利用免疫遺傳算法獲取多核支持向量機(jī)最優(yōu)參數(shù)，克服多核支持向量機(jī)參數(shù)選擇的不確定性，進(jìn)而提高多核支持向量機(jī)在旋轉(zhuǎn)機(jī)械小子樣振動(dòng)故障診斷中的穩(wěn)定性以及泛化推廣能力。
　　文章最后對(duì)本文的工作進(jìn)行總結(jié)，并展望下一步的研究