滾動軸承退化狀態(tài)識別技術研究.pdf

1、作為旋轉(zhuǎn)機械中使用最普遍的關鍵組件-滾動軸承，其狀況對它所支撐的轉(zhuǎn)子甚至整臺設備的正常運轉(zhuǎn)具有重要的影響作用。滾動軸承故障的發(fā)展具有一個由輕微到嚴重的變化過程，準確及時地識別出運行過程中滾動軸承的退化狀態(tài)，可以合理指導制定性能檢查和替換維護計劃，對提高整個機械設備運行的可靠性具有重要的意義。
　　本文采用改進的集合經(jīng)驗模態(tài)分解（EEMD）和支持向量機（SVM）相結(jié)合的方法進行滾動軸承的退化狀態(tài)識別。EEMD法能將信號自適應地分解到

2、不同的尺度上,特別適合對于非穩(wěn)定、非線性的信號進行處理。本文采用的改進EEMD法根據(jù)分解過程中信號和加入的白噪聲的特點來選擇EEMD的參數(shù)，這避免了傳統(tǒng)EEMD法的根據(jù)經(jīng)驗人為選取參數(shù)，分解結(jié)果不夠準確問題。之后對分解后所得到的的固有模態(tài)函數(shù)（IMF）分量進行閾值處理后再重構(gòu)，以降低噪聲的干擾。對重構(gòu)后的信號再進行包絡譜分析，提取其故障特征，以確定滾動軸承發(fā)生故障的具體位置。準確地評估滾動軸承退化狀態(tài)的關鍵問題是如何在有限的狀態(tài)數(shù)據(jù)下建

3、立合適的模型。而SVM正是一種解決小樣本分類與預測的機器學習算法，該算法是建立在結(jié)構(gòu)風險最小化原理和統(tǒng)計學習理論的VC維理論基礎之上的，依據(jù)有限的數(shù)據(jù)樣本在學習能力和模型的復雜性之間尋求最佳折衷，從而可以獲得較好的分類識別準確率。本文在EEMD分解提取故障特征的基礎上，根據(jù)不同故障類型通過GA和SVM來提取滾動軸承的退化狀態(tài)識別特征，利用滾動軸承退化狀態(tài)概率分布以及歷史剩余壽命來確定其最優(yōu)退化狀態(tài)數(shù)目建立退化狀態(tài)識別模型。最后用不同退化