基于阴性选择算法和极限学习机的通风机轴承故障诊断研究

发布时间：2020-07-27 15:04

【摘要】：通风机作为一种典型的旋转机械设备,在矿井通风、锅炉通风、冶金工业等方面发挥了重要的作用,对其展开运行状态监测和故障诊断研究具有非常重要的意义。本文将通风机作为研究对象,对通风机不同位置的轴承在不同故障状态时的信号进行特征提取,并实现对通风机轴承的故障预警与诊断。主要研究内容为:在特征提取部分,首先,介绍了希尔伯特黄变换(HHT)算法,针对经验模态分解(EMD)算法中存在的端点效应问题,采用支持向量回归机(SVR)对信号两端进行延拓,并通过实验验证支持向量回归机对解决EMD端点效应问题的有效性;接着,针对EMD算法中存在的模态混叠问题,提出使用自适应噪声的完全集合经验模态分解(CEEMDAN)算法解决模态混叠问题,并通过对轴承故障信号的分解实验验证了该算法的优越性;最后,采用CEEMDAN-能量、CEEMDAN-排列熵方法分别提取轴承故障信号的特征,并针对CEEMDAN-排列熵特征提取算法中类内统一性缺乏的问题,提出一种基于CEEMDAN分解的加权排列熵特征提取模型,为故障预警和故障诊断部分奠定良好的基础。在故障预警部分,引入阴性选择算法,并将基于CEEMDAN-能量、CEEMDAN-排列熵、CEEMDAN-加权排列熵三种故障特征提取方法分别与固定半径阴性选择算法(NSA)、可变半径阴性选择算法(V-detector NSA)相结合,实现对通风机轴承的故障预警。在故障诊断部分,采用极限学习机(ELM)实现对通风机轴承故障的诊断。首先,针对ELM算法中输入权值和隐含层偏置随机设定导致分类性能不稳定的问题,采用差分优化算法(DE)对ELM算法的这两个参数进行寻优;接着,将CEEMDAN-加权排列熵特征提取方法与DE-ELM相结合构建故障分类模型,并应用到对通风机轴承的故障诊断中;最后,通过分别与CEEMDAN-能量、CEEMDAN-排列熵特征提取算法进行对比实验,验证了所提模型在对通风机轴承故障诊断时的准确性和时效性。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TH43
【图文】：

模拟实验台,滚动轴承

N 算法应用于轴承故障诊断中，并依据 CEEMDAN 能的原理，使用三种提取方法对每种故障状态的 IMF号对比分析(ComparativeAnalysis of Simu的故障数据来自美国凯瑟西储大学(Case Western Re障数据，作为在故障诊断研究领域比较权威和研究价是由该大学电气工程实验室的轴承模拟实验平台采集所示，该实验平台主要由一个功率为 2hp(1.49kW)的功率计等部件组成，被测试的轴承包括驱动端和叶号分别为 SKF6205 和 SKF6203，驱动端轴承为动力力输出，叶轮端轴承安装叶轮。轴承故障均是由电火故障，同时包含不同直径的损伤点。故障信号是由加的振动加速度信号，振动信号采样频率为 12kHz，其Hz 的采样频率采集。

检测器,分布状态

代表自我数据和检测器的位置，再结合自我数据和检测器的半径，自我数据和检测器就可以在坐标系中表示为一个平面圆。取自我集合半径 rs 0.04，检测器半径为 rab 0.04，分别画出检测器数量m 100, 200,300, 400时的检测器分布状态，如图 4-4 所示，其中，整个坐标系区域代表系统空间，黑色平面圆表示自我样本，灰色平面圆表示生成的检测器，余下区域即为未被覆盖的“孔洞”。(1) m=100 (2) m=200(1) m=100 (2) m=200

分布情况,覆盖率,检测器,分布情况

60(2)覆盖率为 99%时的检测器分布情况(2) Distribution of detectors when the coverage rate is 99%图 4-8 不同覆盖率下检测器的分布情况Figure 4-8 Distribution of detectors under different coverage rates-8 可以看出，不同覆盖率时，检测器的个数具有明显差异，设定自我半径为 rs 0.03，固定半径阴性选择算法的检

【参考文献】