基于流形学习和优化极限学习机的滚动轴承故障诊断方法研究

发布时间：2020-11-07 07:27

　　 作为旋转机械的重要组成,滚动轴承的运行状态将直接影响机械设备的安全与稳定。由此,对滚动轴承的故障(尤其是早期故障)进行定位与排除显得尤为重要。滚动轴承早期故障信号是典型的非线性非平稳信号,该信号特征不明显,易于被噪声淹没。因此,需要对该信号进行降噪处理、故障特征提取以及模式识别,来提高故障识别的精准度。由此,本课题《基于流形学习和优化极限学习机的滚动轴承故障诊断方法研究》应运而生。本文以滚动轴承内圈、外圈、滚动体故障信号作为研究对象,以流行学习、变分模态分解、优化极限学习机为基础,针对信号去噪、故障特征提取、模式识别三方面展开深入研究。主要研究内容如下:阐述了滚动轴承故障诊断的研究背景、意义及其发展历程,介绍了滚动轴承故障诊断的国内外研究现状,分析了滚动轴承的故障成因与振动机理,计算了滚动轴承的故障特征频率,并详细阐述了目前常用的故障特征提取方法和模式识别方法。对流形学习理论进行了研究,介绍了等距映射(Isometrical Mapping,ISOMAP)、局部切空间排列算法(Local Tangent Space Alignment,LTSA)、局部保持投影算法(Locality Preserving Projection,LPP)、拉普拉斯算子映射算法(Laplacian Eigenmaps,LE)、局部线性嵌入算法(Locally Linear Embedding,LLE)等几种常用的流形学习算法。选取其中的典型非线性降维算法:LTSA、LEE、ISOMAP与线性降维算法:主成分分析算法(Principal Component Analysis,PCA)对故障信号进行了降噪处理,同时以均方根值和近似熵作为量化评价指标,对降噪结果进行量化评价。实验结果表明,LTSA在滚动轴承故障信号去噪方面具有较大的优势。接着分析并仿真研究了参数对变分模态分解(Variational Mode Decomposition,VMD)的影响,选取了三种不同类型的仿真信号,研究对比了 VMD与经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)在含噪声情况下、不同频率组合情况下以及特征频率相近情况下的分解效果,并重点对模态混叠、虚假分量、过分解等现象进行了分析。针对参数对流形学习降维算法的影响,提出了以故障特征能量比(Fault Feature Energy Ratio,FER)为目标函数,利用网格化搜索方式的自适应流形学习算法,来对轴承信号进行降噪处理。对降噪后的信号进行VMD分解,提出了以峭度、相关度、包络熵为综合评价指标的模态分量选取、重构方法,得到了最优的模态重构分量。进而对该最优模态分量进行了包络谱分析,提取得到了故障特征频率。提出了将模态分量构成的矩阵进行奇异值分解,得到信号奇异特征值,将其作为模式识别算法的训练和测试样本数据集的数据来源。分析了隐含层节点数和激活函数对于极限学习机(Extreme Learning Machine,ELM)模式识别准确率的影响。并利用蛙跳算法选取了最优的参数组合作为ELM算法的参数输入。进而研究了在不同故障尺寸数据集、不同模式识别方法下的故障模式识别准确率,并对测试样本数一定、训练样本数不同时的模式识别准确率进行了仿真研究。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH133.33;TP181
【部分图文】：

Ｆｉｇ．?１－２?Ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ?ｏｆ?ｒｏｌｌｉｎｇ?ｂｅａｒｉｎｇ??１．３．３滚动轴承故障特征频率的提取??由图１－１滚动轴承结构原理图可以看出，当滚动轴承故障发生变化时，其故障??特征频率也随之改变，其具体故障频率可以通过轴承的具体结构参数计算出来。假??设轴承外圈位置固定，内圈与滚动体之间无相对滑动，在径向和轴向载荷受力时，??轴承形变保持不变。在上述假设成立的条件下，给出滚动轴承各个部位的故障特征??频率计算公式ｔ２７，ｗ如下所示：??故障特征频率－保持架??ｆ，＝＼｛ｌ－＾．Ｃ０Ｓａ］ｆｒ?ＣＭ）??＾?Ｖ?ｕ?／??故障特征频率－外圈／ｃ：??，〇＝钍?ｉ＿‘ｃ〇ｓａＶ?（ｉ＿２）??故障特征频率－内圈＞??乂?二孑?１?＋?￣Ｃ０ＳＱｒｊ／ｒ?（１－３）??故障特征频率－滚动体／ｆｃ：??５??

?０．０８??时间ｔ／ｓ??图１－２滚动轴承的振动信号??Ｆｉｇ．?１－２?Ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ?ｏｆ?ｒｏｌｌｉｎｇ?ｂｅａｒｉｎｇ??１．３．３滚动轴承故障特征频率的提取??由图１－１滚动轴承结构原理图可以看出，当滚动轴承故障发生变化时，其故障??特征频率也随之改变，其具体故障频率可以通过轴承的具体结构参数计算出来。假??设轴承外圈位置固定，内圈与滚动体之间无相对滑动，在径向和轴向载荷受力时，??轴承形变保持不变。在上述假设成立的条件下，给出滚动轴承各个部位的故障特征??频率计算公式ｔ２７，ｗ如下所示：??故障特征频率－保持架??ｆ，＝＼｛ｌ－＾．Ｃ０Ｓａ］ｆｒ?ＣＭ）??＾?Ｖ?ｕ?／??故障特征频率－外圈／ｃ：??，〇＝钍?ｉ＿‘ｃ〇ｓａＶ?（ｉ＿２）??故障特征频率－内圈＞??乂?二孑?１?＋?￣Ｃ０ＳＱｒｊ／ｒ?（１－３）??故障特征频率－滚动体／ｆｃ：??５??

近似熵计算公式为：??ＡｐＥｎ（ｍ，?ｒ，?ｎ）?＝?Ｏｍ?（ｒ）?－?Ｏｒａ＋ｌ?（ｒ）?（２－１５）??表２－２四种典型降维算法的信号降噪对比??Ｔａｂ．?２－２?Ｓｉｇｎａｌ?ｄｅｎｏｉｓｉｎｇ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｆｏｕｒ?ｔｙｐｉｃａｌ?ｄｉｍｅｎｓｉｏｎａｌｉｔｙ?ｒｅｄｕｃｔｉｏｎ?ａｌｇｏｒｉｔｈｍｓ???均方误差（ＭＳＥ）?近似熵（ＡｐＥｎ）???ＩＳＯＭＡＰ?６．９２１９?０．２７７２??ＬＴＳＡ?０．５７０２?０．００７８??ＬＬＥ?１．５２６９?０．３７７８???ＰＣＡ?２．１１９２?０．３１８９???表２－２是将四种典型降维算法应用于滚动轴承实际故障信号，分别计算四种典??型降维算法降噪处理后信号均方误差和近似熵。均方误差和近似熵越小，表明流形??学习降维算法的去噪效果越好，降噪后故障信号中所包含的噪声信号越少，更加有??助于故障特征的提取。由表中数据可以看出，局部切空间排列（ＬＴＳＡ）算法的均方误??差为０．５７０２、近似熵值为０．００７８均为四种算法中数值最小，ＬＴＳＡ算法比其他三种??降维算法更适合与滚动轴承故障信号的降噪处理。本文因此选取ＬＴＳＡ算法作为??滚动轴承故障信号降噪处理的流形学习算法。??
【参考文献】

相关期刊论文 前6条

1 王志武;孙虎儿;刘维雄;;形态-奇异值分解降噪与LMD结合的滚动轴承故障诊断[J];机械传动;2013年09期

2 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

3 赵学智;叶邦彦;林颖;;奇异值分解对轴承振动信号中调幅特征信息的提取[J];北京理工大学学报;2011年05期

4 张超;陈建军;郭迅;;基于EMD能量熵和支持向量机的齿轮故障诊断方法[J];振动与冲击;2010年10期

5 罗四维;赵连伟;;基于谱图理论的流形学习算法[J];计算机研究与发展;2006年07期

6 李辉,郑海起,唐力伟;基于EMD和包络谱分析的轴承故障诊断研究[J];河北工业大学学报;2005年01期

相关博士学位论文 前3条

1 李扬;基于混沌理论的滚动轴承故障诊断及故障趋势预测研究[D];西南交通大学;2018年

2 刘尚坤;基于振动信号处理的旋转机械故障诊断方法研究[D];华北电力大学(北京);2017年

3 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

相关硕士学位论文 前4条

1 杨露;基于ELM的风力发电机组齿轮箱故障诊断研究[D];上海电机学院;2018年

2 马洪斌;基于变分模态分解的滚动轴承故障检测方法研究[D];北京交通大学;2018年

3 孙占龙;基于共振稀疏分解的滚动轴承故障诊断方法研究[D];北京交通大学;2017年

4 姚雪曼;基于流形学习的降维技术的研究与实现[D];北京邮电大学;2017年

本文编号：2873630