基于RVM的捣固车滚动轴承故障诊断方法研究

发布时间：2020-04-18 00:56

【摘要】：滚动轴承是一种属于滚动摩擦的机械零部件,也是捣固车等大型机械设备的易受损器件。由于受到外界和自身的复杂因素的影响,导致轴承的受损程度显著的提升。滚动轴承有着广泛的使用场景,但轴承设备故障也会造成重大的安全隐患和社会经济损失,常用的方法都不能做出有效的诊断。因此,为了最大限度的降低故障率,节约维修成本,运用高效故障诊断方法来解决故障问题,已经成了现阶段的一项非常重要的研究课题。本文研究了滚动轴承在不同故障条件下的振动机理及特征状况,介绍了相关向量机的基本原理状况,分析验证了滚动轴承的特征提取方法,阐述了核函数在相关向量机(RVM)中的重要作用,设计了相关向量机的轴承故障诊断方法,关于滚动轴承的正常、内圈故障、外圈故障、滚动体故障四种不同状态做了具体分析。首先,针对信号特征提取是故障诊断研究的前提和基础,提出了一种基于谐波小波包的信号特征提取方法。该方法先对测试数据进行谐波小波包分解,求得小波系数;接着求解获得不同尺度下的小波系数的能量值,对得到的能量进行标准化处理,得到故障特征向量;其次,针对核函数是相关向量机中的一个重要的影响因素,而一般方法的优化效果不够理想的问题,提出了一种基于自适应遗传算法(IAGA)优化RVM核函数参数的方法。该方法利用了IAGA算法、种群多样、迭代次数少、全局搜索寻优能力强的优点,自适应地选取最优核参数,并将其应用于滚动轴承的智能故障诊断中。通过仿真验证,IAGA优化的RVM核函数参数比自适应遗传算法(AGA)以及遗传算法(GA)优化RVM核参数效果更好。再次,针对滚动轴承故障成因复杂一般属于多分类识别问题,而单一的多分类方法很难有效的识别问题,故而引入了投票机制和分类理论,将RVM和改进的“一对一”(OAO)方法相结合构造出改进的OAO-RVM分类模型,有效的实现了故障识别分类。实验结果表明:与传统的支持向量机(SVM)方法比较,RVM分类方法所需相关向量的个数更少,故障诊断的精确度更高;与一般的“一对一”相关向量机(OAO-RVM)、“一对多”相关向量机(OAR-RVM)方法比较,本文提出的改进的OAO-RVM方法既降低了故障分类的错误率,又节省了故障诊断的时间。
【图文】：

滚动轴承,滚动体,滚道

图 2.1 滚动轴承的基本结构图图 2.1 中模型各参数：轴承节圆直径 D：滚道中心圆的直径滚动体直径 d:滚动体的平均直径内圈滚道半径 r1:内圈滚道的平均半径外圈滚道半径 r2:外圈滚道的平均半径接触角 a:滚动体的受力方向与径向轴间的夹角滚动体个数 Z:滚珠的数目2.1.2 滚动轴承受损的类型滚动轴承在作业中会受到各种因素的影响，安装的不当、润滑状况的不佳、强烈的冲击、过重的载重、以及异物的侵入等都会造成滚动轴承的不同程度的损坏。此外，即便安装正确、保养及时，如果轴承的运转周期超长，轴承同样也会由于磨损和使用寿命期限的问题得到报废。依据工程状况和损伤机理的不同，滚

曲线,代数和,适应度,曲线

所提出改进的自适应遗传RVM的鲁棒性。采用不同算法优化RVM参数时进化代数和平均适应度之间的关系曲线以及参数时训练次数和误差平方和之间的关系曲线如图3.3和图3.4所示。
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】