基于變分模態(tài)分解的故障診斷方法研究.pdf

1、隨著科學(xué)技術(shù)的發(fā)展，機(jī)械設(shè)備的復(fù)雜化程度越來越高，導(dǎo)致部件之間聯(lián)系十分密切，假如某一個部件出現(xiàn)故障而無法正常工作，必然會“牽一發(fā)而動全身”，導(dǎo)致整個設(shè)備都無法正常工作，嚴(yán)重影響生產(chǎn)效率和經(jīng)濟(jì)效益。故障診斷主要步驟是首先采集設(shè)備現(xiàn)場運行信息，然后提取故障特征，最后進(jìn)行狀態(tài)識別和故障診斷。其中最關(guān)鍵的是從振動信號中提取對故障敏感的特征，同時也是本文的研究重點。
　　深入研究了變分模態(tài)分解(VMD)算法的基本原理，針對其參數(shù)不易確定的問

2、題做出改進(jìn)，提出運用混沌粒子群優(yōu)化算法優(yōu)化VMD算法的參數(shù)。并通過測試函數(shù)對標(biāo)準(zhǔn)粒子群優(yōu)化算法和混沌粒子群優(yōu)化算法進(jìn)行了數(shù)值仿真對比，驗證了混沌粒子群優(yōu)化算法比標(biāo)準(zhǔn)粒子群優(yōu)化算法具有更高的搜索效率。
　　提出了一種基于混沌粒子群算法優(yōu)化VMD參數(shù)的滾動軸承故障識別方法，首先運用混沌粒子群算法優(yōu)化VMD參數(shù)；然后對滾動軸承故障信號進(jìn)行VMD分解，進(jìn)而通過互相關(guān)系數(shù)篩選出有效分量并進(jìn)行信號重構(gòu)，提取不同故障類型信號的特征向量；最后通過

3、核模糊C均值(KFCM)聚類算法對訓(xùn)練樣本特征向量集進(jìn)行聚類，得到不同的聚類中心，再利用最小歐氏距離原則對測試樣本特征向量進(jìn)行識別。并在相同診斷問題和診斷數(shù)據(jù)的情況下，將VMD方法和經(jīng)驗?zāi)B(tài)分解(EMD)方法的聚類效果以及故障識別率進(jìn)行了對比，驗證了VMD算法的優(yōu)勢。
　　以機(jī)械故障綜合模擬實驗臺為對象，搭建了基于LabVIEW的信號采集系統(tǒng)，采集了滾動軸承不同類型的故障信號。經(jīng)研究發(fā)現(xiàn)，由于混沌粒子群算法優(yōu)化VMD參數(shù)消耗時間過