基于CEEMDAN和GWO-SVM的电机滚动轴承故障诊断

发布时间：2020-09-03 06:55

　　轴承作为机械设备中重要的零部件,也是机械设备中故障多发零部件。因此对轴承故障状态的早期诊断具有较大的理论研究价值和实际应用意义。论文以轴承故障诊断为目的,主要对故障诊断中轴承故障信息特征提取和故障识别两个部分进行深入分析和研究,主要工作如下:(1)首先分析了轴承的物理结构、故障机理、频率特性,以及常见的处理非稳态信号的时频分析方法。(2)其次针对轴承故障振动信号的非平稳态特性,引入改进的自适应白噪声的完备集合经验模态分解方法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)进行电机滚动轴承故障信息的特征提取。在分解的每一个阶段自适应加入白噪声序列,通过计算唯一的余量信号来得到各个固有模态函数(Intrinsic Mode Function,IMF)分量,改进了集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)中模态混叠现象和分解后重构信号的完备性。通过数模信号和实测信号的算法仿真,从算法分解的完备性、正交性等几个指标与EMD和EEMD进行对比分析,验证了CEEMDAN分解方法的优越性。同时根据轴承信号的振动特性,利用CEEMDAN分解得到的各个IMF能量值,组成电机滚动轴承诊断的特征数据集。(3)最后根据统计学理论知识,对提取到的特征数据进行挖掘分析。结合支持向量机(Support Vector Machine,SVM)分类原理,采用灰狼优化算法(Grey Wolf Optimization,GWO)对支持向量机的惩罚因子参数和核函数参数进行优化。利用构建好的支持向量机网络对处理好的轴承故障特征数据进行训练,对未知状态信号特征进行分类预测。通过对电机滚动轴承故障实测数据进行仿真分析,基于CEEMDAN-SVM的预测组合模型在识别准确率上优于EEMD-SVM,表明在同样的识别网络下,CEEMDAN算法特征提取方法优于EEMD。基于CEEMDAN-GWO-SVM的预测组合模型在识别准确率和效率都优于CEEMDAN-SVM,表明在同样的特征提取条件下,GWO优化SVM后网络分类识别效果更佳。验证了本文提出的基于CEEMDAN-GWO-SVM混合故障诊断模式具有更好可行性和高效性。
【学位单位】：南华大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TM0
【部分图文】：

电机,故障状态,状态信息,特征提取

故障机理是通过大量文献资料查阅和试统参数之间的关系，以此来作为故障诊（2）电机滚动轴承状态信息的特征提取特征提取是指如何从状态信息中捕捉到对特征信息进行进一步分析和处理。为靠的特征成分，对采集的技术方法和设征提取方法有传统信号处理方法、几何（3）电机滚动轴承的故障状态识别和决故障状态识别是指根据所提取到的特征态模式，预测发展趋势，并作出相应的诊相应的诊断决策。电机滚动轴承故障诊断流程见图 1.1。

示意图,示意图,滚动轴承,轴承

先要对电机滚动轴承的物理结构和故障模式进行分析。2.1 电机滚动轴承的种类和结构在实际生产生活各个领域当中，轴承的种类不尽相同，常见的有球轴承、滚动轴承、止推轴承、向心轴承等，其中滚动轴承是当中应用最为广泛的一种[37]。滚动轴承主要的部分有滚动体、内圈、外圈和保持架，滚动体处在内圈和外圈之间，主要起到润滑滚动的作用，内圈同转子相互配合起到旋转作用，外圈同轴承座相互配合起支撑作用。轴承主要是当作支持旋转机械的轴，一定程度上减少轴同支撑部件间的损伤摩擦，假若电机缺少了轴承来作为支持，是很难正常工作运转的，所以轴承是旋转机械器件中较为重要的组成部分。图 2.1 显示的是常见的三种滚动轴承。图 2.2 给出了电机滚动轴承结构示意图。表 2.1 对轴承几何参数进行了简要说明。

结构示意图,滚动体,物理名,轴承

图 2.2 电机滚动轴承结构示意图表 2.1 轴承几何参数说明物理量物理名称d 滚动体直径：滚动体平均直径D 轴承节径：滚动体所在圆的直径a接触角：滚动体受力方向与内、外滚动体垂线之间的夹角1r 内圈滚道半径2r 外圈滚道半径z 滚动体个数2 电机滚动轴承的常见的故障形式在电机滚动轴承运行过程中，受到自身材料以及外部工作环境的影响，

【参考文献】