基于振動(dòng)信號(hào)的旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)趨勢(shì)分析與故障診斷.pdf

1、在現(xiàn)代工業(yè)生產(chǎn)設(shè)備中,旋轉(zhuǎn)機(jī)械占有重要地位。對(duì)旋轉(zhuǎn)機(jī)械設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷以保證設(shè)備的安全運(yùn)行具有重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。旋轉(zhuǎn)機(jī)械的振動(dòng)信號(hào)是研究設(shè)備故障運(yùn)行狀態(tài)的重要載體,在旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)中含有豐富的可以表征設(shè)備運(yùn)行狀態(tài)的信息,借助信號(hào)與信息處理手段從振動(dòng)信號(hào)中提取這些信息,通過(guò)這些信息獲取設(shè)備運(yùn)行狀況以及故障相關(guān)狀況,是實(shí)現(xiàn)對(duì)機(jī)械運(yùn)行狀態(tài)趨勢(shì)分析和故障診斷的一種行之有效的方法。本文主要工作如下:
　　(1)研究基于支

2、持向量機(jī)和小波包分解的旋轉(zhuǎn)機(jī)械故障診斷方法?？紤]到機(jī)械故障診斷時(shí)故障模式識(shí)別以及有效故障特征信息提取等存在難度,提出基于支持向量機(jī)和小波包分解的故障診斷的方法。以不同故障狀態(tài)的軸承為實(shí)驗(yàn)對(duì)象,將各狀態(tài)下軸承的振動(dòng)信號(hào)進(jìn)行小波包分解,以分解后各頻帶里信號(hào)能量與信號(hào)總能量之比作為特征向量來(lái)表征設(shè)備的運(yùn)行狀態(tài),并以此作為SVM故障分類器的輸入,成功實(shí)現(xiàn)軸承狀態(tài)檢測(cè)和故障診斷。并對(duì)影響SVM分類器分類性能的因素進(jìn)行了分析,研究SVM分類器如何選

3、擇最優(yōu)參數(shù)等問(wèn)題。
　　(2)提出基于鄰近粗糙集屬性重要度的故障特征選擇方法。在機(jī)械故障診斷過(guò)程中,如果能夠?yàn)楣收显\斷分類器提供一組數(shù)量較少且充分、信息不冗余的輸入變量,那么分類器將更簡(jiǎn)單且有效,對(duì)提高故障診斷準(zhǔn)確率和效率起到關(guān)鍵作用。針對(duì)這一問(wèn)題,提出了基于鄰近粗糙集屬性重要度的故障特征選擇,結(jié)合齒輪箱裂紋實(shí)驗(yàn),首先通過(guò)時(shí)域、頻域和基于希爾伯特變換和傅里葉變換殘差信號(hào)三個(gè)方面進(jìn)行齒輪箱的故障特征提取,通過(guò)鄰近粗糙集對(duì)所有特征進(jìn)行

4、重要度評(píng)價(jià)并選出最優(yōu)特征子集,將最優(yōu)特征子集作為SVM故障分類器的輸入,實(shí)現(xiàn)齒輪箱齒輪裂紋識(shí)別和運(yùn)行狀態(tài)趨勢(shì)預(yù)測(cè)。此外,著重對(duì)最優(yōu)特征子集中特征的變化趨勢(shì)進(jìn)行了研究。
　　(3)將基于主成分分析(PCA)的特征級(jí)融合引入旋轉(zhuǎn)機(jī)械的故障診斷。將軸承實(shí)驗(yàn)中由小波包分解所得特征和齒輪箱實(shí)驗(yàn)所提取的故障特征進(jìn)行特征級(jí)融合,通過(guò)特征間的融合實(shí)現(xiàn)故障特征的降維,使得輸入到故障分類器的特征集更加簡(jiǎn)練高效,不僅降低了分類器運(yùn)行時(shí)間減輕了計(jì)算量,而