基于模型優(yōu)化VPMCD的滾動軸承故障診斷方法.pdf

1、滾動軸承在機械設(shè)備中主要起著承受和傳遞載荷的作用，是機械設(shè)備中最易損傷的元件之一。一旦滾動軸承出現(xiàn)故障很可能導(dǎo)致整個機械設(shè)備不能夠正常運行，嚴(yán)重時甚至引起整條生產(chǎn)鏈的癱瘓，將造成不可估量的損失，甚至嚴(yán)重的人員傷亡安全事故。因此，對其運行狀況進行實時的監(jiān)測和診斷有著非同一般的價值和意義。
　　本質(zhì)上講，滾動軸承的故障診斷是一個模式識別過程?；谒崛√卣鲄?shù)之間存在的相互內(nèi)在關(guān)系Raghuraj等人提出了基于多變量預(yù)測模型的模式識別

2、方法（Variable predictive mode based class discriminate，簡稱VPMCD）。該方法采用數(shù)學(xué)回歸模型對所提取特征參數(shù)間的內(nèi)在關(guān)系進行定量描述，通過樣本訓(xùn)練選取適當(dāng)?shù)臄?shù)學(xué)模型與階次建立最佳預(yù)測模型，在樣本測試階段用所建立的最佳預(yù)測模型對樣本進行預(yù)測并以預(yù)測誤差平方和最小為判據(jù)，進行分類識別。本文針對VPMCD方法所建立模型在特征值間關(guān)系復(fù)雜時預(yù)測擬合精度不足的缺陷，提出了基于優(yōu)化模型、替代模型

3、、優(yōu)化替代模型的幾種改進方法，改進后的VPMCD方法經(jīng)實驗驗證能夠有效地應(yīng)用于滾動軸承的故障診斷。
　　論文的主要研究內(nèi)容如下:
　　1、將VPMCD方法和廣泛應(yīng)用的人工神經(jīng)網(wǎng)絡(luò)、支持向量機進行了對比分析，通過UCI標(biāo)準(zhǔn)數(shù)據(jù)對這三種模式識別方法進行了實驗對比，結(jié)果分析表明了VPMCD方法的有效性。
　　2、針對VPMCD方法所建立的最佳模型只選擇了一種數(shù)學(xué)回歸模型，模型比較單一，不能夠完全描述所提取特征參數(shù)間的關(guān)系而缺

4、乏預(yù)測精度的缺陷，采用量子遺傳算法（Quantum genetic algorithm，簡稱QGA）加權(quán)全部四種回歸模型，優(yōu)化其權(quán)值，建立一個加權(quán)綜合模型，能夠更好的對樣本進行預(yù)測。
　　3、針對VPMCD中所提供的四種數(shù)學(xué)回歸模型在面對所提取特征值間關(guān)系復(fù)雜程度高時擬合預(yù)測能力欠缺的問題提出了兩種預(yù)測能力強的替代模型，即R-VPM模型和Kriging模型，并分別提出了基于這兩種替代模型的改進方法。
　　4、將人工魚群智能算

5、法應(yīng)用于對Kriging幾種相關(guān)模型的加權(quán)優(yōu)化提出了AKVPMCD方法。提出了一種新的降噪方法——ASTFA相關(guān)準(zhǔn)則降噪法，并將其結(jié)合AKVPMCD應(yīng)用于背景噪聲較強的滾動軸承故障診斷。首先將滾動軸承振動信號采用ASTFA降噪方法有效地濾除背景噪聲，提取特征值，然后應(yīng)用經(jīng)魚群算法優(yōu)化幾種Kriging相關(guān)模型權(quán)值的AKVPMCD進行分類診斷識別。實例分析表明ASTFA降噪結(jié)合AKVPMCD能夠有效的應(yīng)用于滾動軸承的故障診斷。針對通過提高