基于時頻分析和多變量預測模型的滾動軸承故障診斷方法.pdf

1、滾動軸承作為機械系統(tǒng)中最關鍵的零部件之一，一旦發(fā)生故障，有可能影響整個機械系統(tǒng)的運轉。因此，對滾動軸承進行故障診斷和狀態(tài)檢測的意義日趨重要。在對滾動軸承進行故障診斷的過程中，主要包含兩個方面：時頻分析和模式識別。時頻分析主要是對從滾動軸承中拾取的復雜信號進行分解，并從分解后的單分量信號中提取對故障特征敏感的參數作為特征值；在模式識別方法中，提出基于多變量預測模型的模式識別（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在關系建立變量預測模型，再通過預測模型實現分類。由于從滾動軸承中提取的特征值之間往往存在一定的內在關系，且在不同的類別或系統(tǒng)之間明顯不同，因此，可以將VPMCD方法應用于滾動軸承故障診斷中。
　　基于此，本文對基于時頻分析和多變量預測模型的滾動軸承故障診斷方法進行了深入研究，主要研究內容如下：
　　1.研究了經驗模態(tài)分解（Empirica

3、l Mode Decomposition，EMD）、局部特征尺度分解（Local characteristic scale decomposition，LCD）、自適應最稀疏時頻分析（Adaptive and sparsesttime-frequency analysis，ASTFA）等方法，并進行了改進。采用仿真信號上述方法的優(yōu)越性與局限性進行分析，為后續(xù)滾動軸承的故障診斷提供理論依據。
　　2.研究了VPMCD方法的基本理論，

4、與目前應用較為廣泛的神經網絡，支持向量機等模式識別方法進行對比分析，同時將基于端點延拓局部特征尺度分解（Endpoint continuationlocal characteristic scale decomposition，ELCD）與VPMCD相結合應用于滾動軸承的故障診斷中，實驗結果驗證了該方法的有效性。
　　3.針對VPMCD方法在參數估計過程中的缺陷、模型選擇方法的不合理及小樣本多分類時識別率低的缺陷，采用BP神經網絡

5、和動態(tài)加速常數協(xié)同慣性權重的粒子群優(yōu)化算法（Particle swarm optimization withdynamic accelerating constant and coordinatingwithinertiaweight，WCPSO）對VPMCD進行改進，提出BP-VPMCD和WCPSO-VPMCD方法。
　　4.將自適應時頻分析方法與VPMCD及改進方法相結合應用于滾動軸承故障診斷中，通過實驗驗證了上述方法的有效性