基于時頻分析和多變量預(yù)測模型的滾動軸承故障診斷方法.pdf

1、滾動軸承作為機械系統(tǒng)中最關(guān)鍵的零部件之一，一旦發(fā)生故障，有可能影響整個機械系統(tǒng)的運轉(zhuǎn)。因此，對滾動軸承進行故障診斷和狀態(tài)檢測的意義日趨重要。在對滾動軸承進行故障診斷的過程中，主要包含兩個方面：時頻分析和模式識別。時頻分析主要是對從滾動軸承中拾取的復(fù)雜信號進行分解，并從分解后的單分量信號中提取對故障特征敏感的參數(shù)作為特征值；在模式識別方法中，提出基于多變量預(yù)測模型的模式識別（Variable predictive model based

2、class discriminate，VPMCD）方法。該方法充分利用特征值之間的相互內(nèi)在關(guān)系建立變量預(yù)測模型，再通過預(yù)測模型實現(xiàn)分類。由于從滾動軸承中提取的特征值之間往往存在一定的內(nèi)在關(guān)系，且在不同的類別或系統(tǒng)之間明顯不同，因此，可以將VPMCD方法應(yīng)用于滾動軸承故障診斷中。
　　基于此，本文對基于時頻分析和多變量預(yù)測模型的滾動軸承故障診斷方法進行了深入研究，主要研究內(nèi)容如下：
　　1.研究了經(jīng)驗?zāi)B(tài)分解（Empirica

3、l Mode Decomposition，EMD）、局部特征尺度分解（Local characteristic scale decomposition，LCD）、自適應(yīng)最稀疏時頻分析（Adaptive and sparsesttime-frequency analysis，ASTFA）等方法，并進行了改進。采用仿真信號上述方法的優(yōu)越性與局限性進行分析，為后續(xù)滾動軸承的故障診斷提供理論依據(jù)。
　　2.研究了VPMCD方法的基本理論，

4、與目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)，支持向量機等模式識別方法進行對比分析，同時將基于端點延拓局部特征尺度分解（Endpoint continuationlocal characteristic scale decomposition，ELCD）與VPMCD相結(jié)合應(yīng)用于滾動軸承的故障診斷中，實驗結(jié)果驗證了該方法的有效性。
　　3.針對VPMCD方法在參數(shù)估計過程中的缺陷、模型選擇方法的不合理及小樣本多分類時識別率低的缺陷，采用BP神經(jīng)網(wǎng)絡(luò)

5、和動態(tài)加速常數(shù)協(xié)同慣性權(quán)重的粒子群優(yōu)化算法（Particle swarm optimization withdynamic accelerating constant and coordinatingwithinertiaweight，WCPSO）對VPMCD進行改進，提出BP-VPMCD和WCPSO-VPMCD方法。
　　4.將自適應(yīng)時頻分析方法與VPMCD及改進方法相結(jié)合應(yīng)用于滾動軸承故障診斷中，通過實驗驗證了上述方法的有效性