基于共振稀疏分解的滾動軸承故障診斷方法研究.pdf

1、滾動軸承被廣泛應(yīng)用于機械設(shè)備中，是旋轉(zhuǎn)設(shè)備的重要部件，同時又是一個主要的故障源，其工作狀態(tài)正常與否直接影響到機械設(shè)備的運行穩(wěn)定性和安全性。因此，為了及時發(fā)現(xiàn)故障，降低經(jīng)濟損失，對滾動軸承進行運行狀態(tài)監(jiān)測和故障診斷具有十分重要的意義。
　　本文在對滾動軸承結(jié)構(gòu)和振動特性深入研究的基礎(chǔ)上，研究了共振稀疏分解方法，并針對其在參數(shù)選擇問題，提出了優(yōu)化方法，取得了較好的信號分解結(jié)果。另外，對模式識別方法進行了研究并提出了優(yōu)化方法，能夠?qū)L動

2、軸承故障信號進行有效地模式識別。本文主要內(nèi)容如下:
　　闡述了滾動軸承故障診斷的研究背景和意義，總結(jié)了故障診斷技術(shù)的發(fā)展過程，系統(tǒng)介紹了滾動軸承故障特征提取方法和模式識別方法的研究狀況。
　　研究了滾動軸承的故障形式和故障診斷方法，根據(jù)滾動軸承的結(jié)構(gòu)和振動機理，給出了故障特征頻率的計算公式，并總結(jié)了基于振動信號的滾動軸承故障診斷的基本步驟。
　　深入研究了共振稀疏分解方法的基本原理，針對其參數(shù)選擇問題，提出采用PSO算

3、法對品質(zhì)因子的確定過程進行優(yōu)化。為加強全局尋優(yōu)能力，引入了模擬退火算法和調(diào)整慣性權(quán)重因子的方法，對PSO算法作出了改進，得到了基于改進PSO算法優(yōu)化的共振稀疏分解方法。采用不同方法對模擬信號進行分解和頻譜分析，得到故障特征頻率，通過分解結(jié)果的對比，驗證了本文所提方法的有效性。
　　研究了支持向量機的分類原理，針對支持向量機在處理大樣本問題上的局限性，提出最小二乘支持向量機分類方法，利用改進的PSO算法對其進行參數(shù)優(yōu)化。利用優(yōu)化的分

4、類方法對Wine數(shù)據(jù)進行分類識別，證明了優(yōu)化的分類方法的有效性。
　　利用滾動軸承的故障振動信號，對本文提出的故障特征提取方法和模式識別方法進行了實驗驗證。對滾動軸承故障信號進行共振稀疏分解，一方面，對分解得到的低共振分量進行頻譜分析，提取出故障特征頻率;另一方面，將低共振分量對應(yīng)的系數(shù)作為支持向量機的輸入，進行故障模式識別。利用不同方法對滾動軸承信號進行分解，通過故障特征頻率提取結(jié)果和模式識別分類準確率的對比，表明了本文所提優(yōu)化