基于EMD和支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法研究.pdf

1、機(jī)械設(shè)備的診斷過程包括診斷信息獲取、故障特征信息提取和狀態(tài)識(shí)別三部分。其中,故障特征提取和狀態(tài)識(shí)別是診斷的關(guān)鍵。本文將時(shí)頻分析的新方法—經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,簡(jiǎn)稱EMD)和模式識(shí)別的新技術(shù)—支持向量機(jī)(Support Vector Machine,簡(jiǎn)稱SVM)相結(jié)合應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。EMD方法基于信號(hào)的局部特征時(shí)間尺度,可把信號(hào)分解為若干個(gè)內(nèi)稟模態(tài)函數(shù)(Intrinsic Mo

2、de Function,簡(jiǎn)稱IMF)之和,分解出的各個(gè)IMF分量突出了數(shù)據(jù)的局部特征,對(duì)其進(jìn)行分析可以更準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。此外,由于每一個(gè)IMF所包含的頻率成分不僅僅與采樣頻率有關(guān),更為重要的是它還隨著信號(hào)本身的變化而變化,因此EMD方法是一種自適應(yīng)的時(shí)頻局部化分析方法,它從根本上擺脫了Fourier變換的局限性,具有很高的信噪比,非常適用于非平穩(wěn)、非線性過程。針對(duì)旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)的非平穩(wěn)特征,本文將EMD方法引入旋轉(zhuǎn)

3、機(jī)械故障特征提取當(dāng)中,對(duì)其基本理論進(jìn)行了研究,對(duì)其邊界效應(yīng)提出了解決方案,并在此基礎(chǔ)上提出了五種基于內(nèi)稟模態(tài)函數(shù)的故障特征提取方法。支持向量機(jī)有比神經(jīng)網(wǎng)絡(luò)更好的泛化能力,且能保證找到的極值解就是全局最優(yōu)解,同時(shí)它還較好地解決了小樣本的學(xué)習(xí)分類問題。針對(duì)機(jī)械故障診斷中難以獲得大量典型故障樣本的實(shí)際情況以及支持向量機(jī)優(yōu)良的分類性能,本文采用支持向量機(jī)作為分類器對(duì)旋轉(zhuǎn)機(jī)械的工作狀態(tài)和故障類型進(jìn)行了分類,并對(duì)支持向量機(jī)在小樣本故障診斷中的應(yīng)用進(jìn)

4、行了較為全面的研究。對(duì)實(shí)驗(yàn)數(shù)據(jù)的分析結(jié)果表明,EMD和SVM相結(jié)合可有效地應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。
　　本文主要工作包括:
　　(1)討論了傳統(tǒng)時(shí)頻分析方法在信號(hào)處理中的應(yīng)用,指出了其缺陷,并在此基礎(chǔ)上介紹了時(shí)頻分析的新方法—Hilbert-Huang變換,它包括EMD方法和Hilbert變換兩部分。對(duì)仿真信號(hào)的分析結(jié)果表明,EMD方法的分解效果優(yōu)于小波方法;Hilbert譜具有比小波譜更高的分辨率;Hilbert-Hu

5、ang變換所得到的Hilbert邊際譜具有比FT譜更高的分辨率。
　　(2)采用EMD方法和Hilbert變換對(duì)信號(hào)進(jìn)行時(shí)頻分析時(shí)會(huì)產(chǎn)生邊界效應(yīng),針對(duì)這一問題,本文采用徑向基函數(shù)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行了延長(zhǎng)。對(duì)仿真信號(hào)的分析結(jié)果表明,該延拓方法能有效地抑制邊界效應(yīng)。
　　(3)在分析傳統(tǒng)統(tǒng)計(jì)模式識(shí)別方法和人工神經(jīng)網(wǎng)絡(luò)分類器的缺陷的基礎(chǔ)上,針對(duì)機(jī)械故障診斷中難以獲得大量典型故障樣本的實(shí)際情況以及支持向量機(jī)優(yōu)良的分類性能,將支持向量機(jī)引

6、入旋轉(zhuǎn)機(jī)械故障診斷當(dāng)中。采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種技術(shù)進(jìn)行了小樣本試驗(yàn)研究,研究結(jié)果表明支持向量機(jī)無論在訓(xùn)練速度還是診斷精度方面均優(yōu)于神經(jīng)網(wǎng)絡(luò)。
　　(4)提出了內(nèi)察模態(tài)能量嫡的定義，并以此為理論基礎(chǔ)，提出了基于內(nèi)察模態(tài)能量熵的故障特征提取方法。當(dāng)機(jī)械系統(tǒng)發(fā)生故障時(shí)，其振動(dòng)信號(hào)的能量會(huì)隨頻率的分布發(fā)生改變，某種或幾種頻率成分能量的改變即代表了一種故障，因此可根據(jù)機(jī)械系統(tǒng)振動(dòng)信號(hào)各頻帶能量的變化來進(jìn)行故障分析。對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的

7、分析結(jié)果表明，基于內(nèi)察模態(tài)能量嫡和SVM的故障診斷方法能有效地識(shí)別滾動(dòng)軸承的工作狀態(tài)和故障類型。
　　(5)提出了Hilbert邊際能量譜和局部Hilbert邊際能量譜的定義，并在此基礎(chǔ)上提出了基于局部Hilbert邊際能量譜的故障特征提取方法。Hilbert譜精確地描述了信號(hào)的幅值在整個(gè)頻率段上隨頻率和時(shí)間變化的規(guī)律，因此是信號(hào)能量的一種完整的時(shí)一頻分布;Hilbert邊際能量譜精確地描述了信號(hào)的能量隨頻率的分布情況;局部Hil

8、bert邊際能量譜反映了在固有頻率段振動(dòng)信號(hào)的能量隨頻率的分布情況。對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的分析結(jié)果表明，基于局部Hilbert邊際能量譜的特征能量法能有效地提取滾動(dòng)軸承故障振動(dòng)信號(hào)的特征，并能成功地對(duì)滾動(dòng)軸承的工作狀態(tài)和故障類型進(jìn)行分類。
　　(6)Hilbert邊際譜能夠準(zhǔn)確地反映信號(hào)幅值隨頻率的變化規(guī)律，為了進(jìn)一步突出故障振動(dòng)信號(hào)在固有頻率段能量的變化情況，提出了基于Hilbert邊際譜的故障特征提取方法。對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的分

9、析結(jié)果表明，基于Hilbert邊際譜的特征能量法能有效地提取滾動(dòng)軸承故障振動(dòng)信號(hào)的特征，并能成功地識(shí)別滾動(dòng)軸承的工作狀態(tài)和故障類型。
　　(7)針對(duì)旋轉(zhuǎn)機(jī)械出現(xiàn)局部故障時(shí)常常伴隨有周期性的沖擊這一特點(diǎn)以及奇異值分解技術(shù)的缺陷，提出了一種基于內(nèi)察模態(tài)奇異值分解的故障特征提取方法。
　　對(duì)齒輪和滾動(dòng)軸承振動(dòng)信號(hào)的分析結(jié)果表明，基于內(nèi)察模態(tài)奇異值分解和SVM的故障診斷方法能有效地識(shí)別齒輪和滾動(dòng)軸承的工作狀態(tài)和故障類型。提出了內(nèi)察模