基于数据的旋转机械故障诊断和性能评估方法研究

发布时间：2020-07-09 08:14

【摘要】：机械设备大多处于恶劣的工作环境中,这些环境是不适合操作人员现场操作的,因此实时采集机械设备的运行数据,远程对机械设备进行故障诊断和性能评估的研究是十分有意义的。作为旋转机械的核心部件,滚动轴承的故障发生率更高,据数据表明,由滚动轴承的损坏所引起机械设备的故障占总故障的30%。因此对滚动轴承进行机理分析,进而诊断轴承的故障,最终评估轴承的性能是旋转机械领域的重点研究问题。针对传统的故障诊断方法在特征提取过程中主要采用少量特征而无法达到最优的故障诊断准确率的问题,提出了一种基于集合经验模态分解和多特征融合的故障诊断方法。该方法可以准确的对滚动轴承内圈和外圈在不同严重程度的损坏下的故障进行分类识别,效果优于提取少量特征的结果。然而,此方法存在提取的特征较多,导致计算速度较慢的问题。针对多特征存在计算复杂且传统的支持向量机分类参数容易陷入局部最优的问题,本文提出一种基于集合经验模态分解和布谷鸟搜索优化支持向量机的故障诊断方法,该方法对本征模态函数只提取均方根作为特征,并且使用布谷鸟搜索算法对支持向量机进行优化,自适应的选取最优参数进行故障分类,该方法不仅可以准确的对轴承内外圈在不同损坏程度下的故障进行诊断,还可以准确的对轴承滚动体的不同故障位置进行诊断。基于变分模态分解的滚动轴承的信号处理方法存在中心频率容易陷入局部最优以及分解层数需人为选择两个问题,此外传统的性能评估方法缺少对时间序列信息的考虑,对信号数据的拟合误差较大。针对以上问题,本文提出了基于改进变分模态分解和长短期记忆网络的滚动轴承性能评估方法。该方法使用布谷鸟搜索优化中心频率迭代,通过瞬时频率理论自适应的选择信号分解层数,彻底解决变分模态分解的中心频率迭代陷入局部最优问题以及分解层数需人为选择问题。提出将长短期记忆网络用于对提取的方差特征时间序列进行拟合,极大地降低了拟合误差,并针对拟合信号进行分析,找出了滚动轴承的性能变化规律,该方法将长短期记忆网络引入滚动轴承的性能评估方法中,为评估滚动轴承的性能提供了一种有效的方法。
【学位授予单位】：辽宁石油化工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133;TP277
【图文】：

数学模型,复杂工程,故障机理,故障诊断方法

图 1.1 故障诊断方法分类Fig.1.1 Classification of Fault Diagnosis Methods基于模型的方法直接对过程的数学模型进行分析，完全依靠数学公式对故障机理进行描述，对于无法得到数学模型的复杂工程难以应用；基于定性经验的方法分为图搜索和专家经验方法，图搜索方法建模简单，结论利于理解，专家经验方法在知识库较为全面的前提下会得到很好的效果，然而在复杂的工程中想获得大量的知识是十分困难的，因此两种方法也都不适用于复杂过程的故障诊断；基于数据的方法不要求完全掌握生产过程、只需获取生产时的采样数据，进而对该数据进行分析，该方法适用范围广，因此本文采用基于数据驱动的方法对滚动轴承展开研究。旋转机械性能评估与预测是旋转机械可靠性的核心研究内容，为了使本课题关于旋转机械性能评估与预测的研究工作更具有说服力和代表性，本文选择的研究对象是广泛应用于各种旋转机械中并且特别容易出现损伤的关键部件——滚动轴承。通过对滚动轴承故障诊断，可以准确判断滚动轴承是否出现故障，并且判断出滚动轴承发生

结构图,滚动轴承,结构图,滚动体

2 滚动轴承故障机理分析与数据监测方法2.1 滚动轴承故障机理分析2.1.1 滚动轴承以及常见故障滚动轴承主要由四部分组成：内圈、滚动体、保持架和外圈。当滚动轴承工作时，内圈与中轴一起转动，外圈固定在机器的轴承孔中，通常是固定不动的。内圈和外圈上拥有轨道，当轴承工作时，内圈和外圈产生相对转动，而滚动体则沿着轨道滚动，保持架使滚动体均匀散布在轨道上，作用是降低滚动体之间的撞击几率，从而减少滚动体的磨损。其具体的结构如图 2.1 所示。

平均准确率,种群,算法,缺陷

的滚动轴承的故障数据来源于美国CWRU轴承数据不再赘述。据、内圈缺陷0.18mm数据、内圈缺陷0.36mm数据内圈缺陷0.71mm数据、滚动体缺陷0.18mm数据（3点圈缺陷0.18mm数据、外圈缺陷0.36mm数据、外圈缺数据，训练集和测试集各取20组。D 方法进行数据处理，并且提取变换后的 14 个 IMF（作为特征输入 CS-SVM、PSO-SVM、GA-SVM 进行法种群最优准确率辨识度较差，所以选择平均准确法的差距，三种算法每次迭代的种群平均准确率如

【参考文献】