基于時(shí)頻分析和多變量預(yù)測(cè)模型的滾動(dòng)軸承故障診斷方法.pdf

1、滾動(dòng)軸承作為機(jī)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(gè)機(jī)械系統(tǒng)的運(yùn)轉(zhuǎn)。因此，對(duì)滾動(dòng)軸承進(jìn)行故障診斷和狀態(tài)檢測(cè)的意義日趨重要。在對(duì)滾動(dòng)軸承進(jìn)行故障診斷的過程中，主要包含兩個(gè)方面：時(shí)頻分析和模式識(shí)別。時(shí)頻分析主要是對(duì)從滾動(dòng)軸承中拾取的復(fù)雜信號(hào)進(jìn)行分解，并從分解后的單分量信號(hào)中提取對(duì)故障特征敏感的參數(shù)作為特征值；在模式識(shí)別方法中，提出基于多變量預(yù)測(cè)模型的模式識(shí)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(cè)模型，再通過預(yù)測(cè)模型實(shí)現(xiàn)分類。由于從滾動(dòng)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(dòng)軸承故障診斷中。
　　基于此，本文對(duì)基于時(shí)頻分析和多變量預(yù)測(cè)模型的滾動(dòng)軸承故障診斷方法進(jìn)行了深入研究，主要研究?jī)?nèi)容如下：
　　1.研究了經(jīng)驗(yàn)?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(shí)頻分析（Adaptive and sparsesttime-frequency analysis，ASTFA）等方法，并進(jìn)行了改進(jìn)。采用仿真信號(hào)上述方法的優(yōu)越性與局限性進(jìn)行分析，為后續(xù)滾動(dòng)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(jī)等模式識(shí)別方法進(jìn)行對(duì)比分析，同時(shí)將基于端點(diǎn)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(dòng)軸承的故障診斷中，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。
　　3.針對(duì)VPMCD方法在參數(shù)估計(jì)過程中的缺陷、模型選擇方法的不合理及小樣本多分類時(shí)識(shí)別率低的缺陷，采用BP神經(jīng)網(wǎng)絡(luò)

5、和動(dòng)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(duì)VPMCD進(jìn)行改進(jìn)，提出BP-VPMCD和WCPSO-VPMCD方法。
　　4.將自適應(yīng)時(shí)頻分析方法與VPMCD及改進(jìn)方法相結(jié)合應(yīng)用于滾動(dòng)軸承故障診斷中，通過實(shí)驗(yàn)驗(yàn)證了上述方法的有效性