基于振動(dòng)信號(hào)分析的旋轉(zhuǎn)機(jī)械故障診斷方法研究.pdf

1、振動(dòng)信號(hào)分析是進(jìn)行旋轉(zhuǎn)機(jī)械故障診斷的重要手段，旋轉(zhuǎn)機(jī)械故障診斷的一般流程包括采集振動(dòng)信號(hào)、提取故障特征和識(shí)別運(yùn)行狀態(tài)三部分。本文重點(diǎn)研究應(yīng)用最廣泛的齒輪及齒輪箱的故障及診斷方法，通過信號(hào)處理的手段提取齒輪箱的故障振動(dòng)信號(hào)的時(shí)域特征、頻域特征和非平穩(wěn)的時(shí)頻域特征，并應(yīng)用支持向量機(jī)進(jìn)行故障識(shí)別。從而實(shí)現(xiàn)對(duì)齒輪箱的故障診斷。
　　故障診斷的最重要的是故障特征的提取，本文對(duì)齒輪的振動(dòng)信號(hào)和故障特征進(jìn)行分析，并從時(shí)域、頻域、時(shí)頻域三方面研究

2、基于振動(dòng)信號(hào)分析的故障診斷方法。在時(shí)域上提取有量綱和無量綱指標(biāo)，在頻域上提取功率譜能量熵、倒頻譜周期成分和包絡(luò)譜特征，在時(shí)頻域上提取小波包頻帶能量比，并進(jìn)行希爾伯特黃變換分析。重點(diǎn)研究希爾伯特黃變換算法，提出一種抑制端點(diǎn)效應(yīng)的新算法，應(yīng)用于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)中，減少端點(diǎn)效應(yīng)產(chǎn)生的分解誤差，并對(duì)得到的本征模態(tài)函數(shù)進(jìn)行歸一化Hilbert變換，提取瞬時(shí)頻率譜參數(shù)作為故障特征。通過仿真實(shí)驗(yàn)表明，改進(jìn)的EMD分解能更加有效的分解出信號(hào)的原始

3、成分，為瞬時(shí)頻率譜的提取打下基礎(chǔ)。通過實(shí)例驗(yàn)證，本方法提取的瞬時(shí)頻率譜能夠作為特征，進(jìn)行齒輪狀態(tài)的判定。
　　為了提高狀態(tài)識(shí)別正確率和解決小樣本學(xué)習(xí)問題，本文提出免疫貓群改進(jìn)算法優(yōu)化支持向量機(jī)(ICSO-SVM)，利用貓群算法的分組特性，將種群分為搜索組和跟蹤組，分別加入免疫算法的克隆選擇和動(dòng)態(tài)疫苗接種算法，運(yùn)用克隆擴(kuò)增算子在搜尋組中進(jìn)行局部搜索，根據(jù)親和度值大小調(diào)節(jié)變異個(gè)體數(shù)目，保持解的多樣性;運(yùn)用動(dòng)態(tài)疫苗提取與接種算子使跟蹤組

4、個(gè)體基因與疫苗進(jìn)行交叉變異，向最優(yōu)解靠攏，防止無監(jiān)督交叉變異可能引起的退化現(xiàn)象;并通過濃度平衡算子和選擇算子更新子代種群，防止種群“早熟”。利用免疫貓群改進(jìn)算法對(duì)SVM分類過程中的懲罰參數(shù)和核參數(shù)進(jìn)行優(yōu)化，提出基于免疫貓群改進(jìn)算法優(yōu)化的支持向量機(jī)識(shí)別方法用于故障狀態(tài)分類和識(shí)別。通過仿真實(shí)驗(yàn)表明，免疫貓群改進(jìn)算法具有較高的收斂性，改進(jìn)的支持向量機(jī)算法提高了識(shí)別正確率。
　　將瞬時(shí)頻率譜特征及其他特征和ICSO-SVM算法應(yīng)用于齒輪故