基于改进极限学习机的轴承故障诊断方法研究

发布时间：2020-05-17 21:25

【摘要】：滚动轴承是机械设备中的重要组成元件,其高频率地运转在复杂工况环境下,运行状况的好坏直接影响着机械设备整体运行的安全性与稳定性。所以对滚动轴承的故障诊断是机械故障诊断领域中的研究重点,具有重要的研究意义和实用价值。滚动轴承振动信号具有非线性、非平稳特性,本文首先对比分析短时傅里叶变换、小波变换在处理轴承振动信号过程中的局限性后,采用小波包变换对轴承振动信号进行去噪和特征提取。其次,针对故障特征信息不能直接准确识别出故障类型的问题,本文以极限学习机算法为基础结合粒子群算法的全局搜索优势,构建基于粒子群优化极限学习机的PSO-ELM故障诊断模型,该模型将极限学习机中的初始输入权值和隐层阈值作为粒子群中的空间位置,进行全局范围内的参数寻优,该优化方法能够有效解决极限学习机中随机产生输入权值、阈值而影响其泛化能力的问题。PSO-ELM模型在轴承故障诊断方面具有一定的可行性,但其网络性能仍存在一定的改进空间。因此,针对PSO-ELM模型中粒子群优化极限学习机参数时易陷入局部最优且早熟收敛的问题,本文改进遗传算法中的选择、交叉、变异的遗传算子,构建改进遗传粒子群IGA-PSO混合优化算法,通过在粒子群算法中引入改进的遗传算子,增强种群多样性,均衡粒子群算法的局部与全局搜索能力,并提出以IGA-PSO算法混合优化极限学习机的IGA-PSO-ELM故障诊断模型,通过IGA-PSO混合算法对极限学习机输入权值、阈值的参数优化,进一步完善极限学习机的诊断性能。本文通过MATLAB实验,证明小波包变换能够有效地提取出轴承振动信号的能量特征。并通过多模型的实例对比分析,证明IGA-PSO-ELM故障诊断模型的收敛速度较快、收敛精度和分类性能较高,具有较好的轴承故障诊断效果。
【图文】：

去噪,小波包,小波,信号特征提取

3 基于小波包变换的轴承振动信号特征提取可以看出，小波变换的去噪效果较好，但小波分解主要噪，故极易去除掉有用的特征信息；而小波包去噪后的信波包变换实现对轴承振动信号的去噪。

信号去噪,轴承振动

（c）轴承外圈故障（d）轴承滚动体故障图 3.2 轴承振动信号去噪结果图结果表明，轴承各状态下的振动信号在进行小波包去噪处理后，其幅值偏移量均发生改变，，说明有效削弱了噪声的影响，保留了重要的故障特征信息，为最优特征提取奠定了基础。3.2 轴承振动信号的特征提取3.2.1 小波分解余弦和正弦函数是傅里叶变换的基本方程，小波函数则是小波变换的基本方程。不同的小波波形不同，相似的小波构成一个小波族。在一定的范围内小波的值均不为零，故可以表示带有尖锐和不连续的信号，小波变换：（3.7）式中，W 为正交矩阵， f 为输入信号，为变换得到的小波系数。小波滤波系数不仅组成不同的小波函数，还构成了多维的高通、低通滤波器，其中WfT
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.3;TP18;TP277

【参考文献】