基于特征關(guān)聯(lián)優(yōu)化模型的軸承故障診斷.pdf

1、軸承在工業(yè)領(lǐng)域中應(yīng)用廣泛，大量裝備于各種設(shè)備中，但同時也是最易損壞的零件，當(dāng)其出現(xiàn)問題時，易導(dǎo)致整個設(shè)備的失效，因此對其狀態(tài)監(jiān)測及故障診斷具有重要意義。本文從故障信號預(yù)處理、特征提取和優(yōu)化，特征識別三個方面出發(fā)，實現(xiàn)軸承故障診斷。
　　當(dāng)軸承出現(xiàn)故障時，其振動信號往往能量較小，容易與噪聲混疊，且出現(xiàn)非平穩(wěn)性，最大相關(guān)峭度解卷積（Maximum Correlated Kurtosis Deconvolution,MCKD）以相關(guān)峭度

2、為指標(biāo)，充分考慮了信號所含沖擊成分的周期特性，通過迭代過程實現(xiàn)解卷積運算，突出信號中被強烈噪聲所掩蓋的連續(xù)脈沖，非常適合軸承信號的預(yù)處理。
　　遞歸定量分析（Recurrence Quantification Analysis，RQA）方法對信號平穩(wěn)性要求低，對小樣本問題處理強，適合對滾動軸承信號進行特征提取。
　　基于變量預(yù)測模型的模式識別方法（Variable Predictive Model Based Class D

3、iscriminate，VPMCD）是一種新型的模式識別方法，該方法認(rèn)為，某個特征總可以用其他特征用某種模型來描述，模型可以是高階的、非線性的，因此VPMCD可以和支持向量機、神經(jīng)網(wǎng)絡(luò)一樣處理非線性多變量分類問題，故VPMCD可以應(yīng)用到軸承故障診斷中。
　　基于此，本文提出將MCKD方法、RQA方法和VPMCD方法結(jié)合用于軸承故障診斷。本文的主要研究內(nèi)容如下：
　?、傺芯縈CKD方法的基本理論，針對MCKD需要先驗知識的缺點

4、，提出了將粒子群算法與 MCKD方法結(jié)合的自適應(yīng)MCKD方法對故障信號進行濾波，結(jié)果表明，自適應(yīng)MCKD不再需要先驗知識，也能很好的處理故障信號。
　　②研究RQA的基本理論，根據(jù)RQA常用的11種特征，本文提出了將相似性傳播聚類方法（Affinity propagation,AP）和RQA結(jié)合的RQA-AP方法，對信號特征進行聚類和篩選。
　?、垩芯縑PMCD方法的基本理論，針對VPMCD在模式識別時只能選取單一模型的缺陷

5、，提出了將自適應(yīng)粒子群算法（Adaptive Particle Swarm Optimization，APSO）與VPMCD結(jié)合的智能多變量診斷模型APSO-VPMCD方法，根據(jù)特征自適應(yīng)地融合VPMCD的四種模型，得到最佳模型對故障進行識別。根據(jù)之前的特征分析結(jié)果，得到四種同類特征和四種不同類特征，并分別用APSO-VPMCD方法進行訓(xùn)練和識別，同時用VPMCD和SVM方法進行了對照。
　?、転榱颂岣逜PSO-VPMCD在小樣本