基于CEEMD和紋理特征的旋轉(zhuǎn)機(jī)械智能故障診斷方法.pdf

1、基于數(shù)據(jù)驅(qū)動(dòng)的旋轉(zhuǎn)機(jī)械智能故障診斷方法不需要大量的先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)，相對(duì)于傳統(tǒng)的設(shè)備故障診斷方法具有很大優(yōu)勢(shì)，也是未來(lái)設(shè)備故障診斷研究領(lǐng)域的主要發(fā)展方向。針對(duì)旋轉(zhuǎn)機(jī)械智能故障診斷方法中振動(dòng)信號(hào)降噪方法損害信號(hào)完整性、故障特征敏感性差、模式分類器參數(shù)尋優(yōu)算法收斂速度慢等問(wèn)題，進(jìn)行深入研究并提出相應(yīng)的改進(jìn)，進(jìn)而提升旋轉(zhuǎn)機(jī)械智能故障診斷方法的診斷性能和精度。具體研究?jī)?nèi)容如下：
　　首先，研究了旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)的降噪方法。絕大多數(shù)旋

2、轉(zhuǎn)機(jī)械處于復(fù)雜的工作環(huán)境下，要對(duì)包含噪聲的信號(hào)進(jìn)行有效的降噪處理，同時(shí)還要避免信號(hào)有效信息受到損害。為此提出一種新的旋轉(zhuǎn)機(jī)械降噪方法，將CEEMD同小波閾值降噪方法結(jié)合在一起進(jìn)行故障振動(dòng)信號(hào)降噪，在保證信號(hào)完整性的同時(shí)很好地完成了信號(hào)的降噪處理。
　　其次，研究了旋轉(zhuǎn)機(jī)械故障特征提取方法。從降噪后振動(dòng)信號(hào)中提取SPWVD時(shí)頻圖，從時(shí)頻分布圖中提取圖像紋理特征參量，組成故障特征集，準(zhǔn)確挖掘信號(hào)中的各個(gè)階段程度故障模式信息。通過(guò)實(shí)驗(yàn)驗(yàn)

3、證比較幾種不同時(shí)頻分析方法提取故障特征的性能優(yōu)劣。
　　再次，基于SVM機(jī)器學(xué)習(xí)方法建立旋轉(zhuǎn)機(jī)械智能故障模式分類器，采用改進(jìn)的自適應(yīng)粒子群算法對(duì)模式分類器參數(shù)進(jìn)行優(yōu)化，提高故障診斷過(guò)程的準(zhǔn)確性。以訓(xùn)練故障特征集訓(xùn)練SVM得到最優(yōu)模式分類器，再將測(cè)試故障特征集輸入到最優(yōu)模式分類器中，輸出智能模式識(shí)別結(jié)果，實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械智能故障診斷。
　　最后，對(duì)該方法的實(shí)際應(yīng)用進(jìn)行模擬驗(yàn)證。用旋轉(zhuǎn)機(jī)械振動(dòng)數(shù)據(jù)作為輸入，分別進(jìn)行四組模擬應(yīng)用實(shí)驗(yàn)，