基于振動信號的旋轉(zhuǎn)機械運行狀態(tài)趨勢分析與故障診斷.pdf

1、在現(xiàn)代工業(yè)生產(chǎn)設備中,旋轉(zhuǎn)機械占有重要地位。對旋轉(zhuǎn)機械設備進行狀態(tài)監(jiān)測和故障診斷以保證設備的安全運行具有重要的現(xiàn)實意義和經(jīng)濟價值。旋轉(zhuǎn)機械的振動信號是研究設備故障運行狀態(tài)的重要載體,在旋轉(zhuǎn)機械振動信號中含有豐富的可以表征設備運行狀態(tài)的信息,借助信號與信息處理手段從振動信號中提取這些信息,通過這些信息獲取設備運行狀況以及故障相關狀況,是實現(xiàn)對機械運行狀態(tài)趨勢分析和故障診斷的一種行之有效的方法。本文主要工作如下:
　　(1)研究基于支

2、持向量機和小波包分解的旋轉(zhuǎn)機械故障診斷方法?？紤]到機械故障診斷時故障模式識別以及有效故障特征信息提取等存在難度,提出基于支持向量機和小波包分解的故障診斷的方法。以不同故障狀態(tài)的軸承為實驗對象,將各狀態(tài)下軸承的振動信號進行小波包分解,以分解后各頻帶里信號能量與信號總能量之比作為特征向量來表征設備的運行狀態(tài),并以此作為SVM故障分類器的輸入,成功實現(xiàn)軸承狀態(tài)檢測和故障診斷。并對影響SVM分類器分類性能的因素進行了分析,研究SVM分類器如何選

3、擇最優(yōu)參數(shù)等問題。
　　(2)提出基于鄰近粗糙集屬性重要度的故障特征選擇方法。在機械故障診斷過程中,如果能夠為故障診斷分類器提供一組數(shù)量較少且充分、信息不冗余的輸入變量,那么分類器將更簡單且有效,對提高故障診斷準確率和效率起到關鍵作用。針對這一問題,提出了基于鄰近粗糙集屬性重要度的故障特征選擇,結合齒輪箱裂紋實驗,首先通過時域、頻域和基于希爾伯特變換和傅里葉變換殘差信號三個方面進行齒輪箱的故障特征提取,通過鄰近粗糙集對所有特征進行

4、重要度評價并選出最優(yōu)特征子集,將最優(yōu)特征子集作為SVM故障分類器的輸入,實現(xiàn)齒輪箱齒輪裂紋識別和運行狀態(tài)趨勢預測。此外,著重對最優(yōu)特征子集中特征的變化趨勢進行了研究。
　　(3)將基于主成分分析(PCA)的特征級融合引入旋轉(zhuǎn)機械的故障診斷。將軸承實驗中由小波包分解所得特征和齒輪箱實驗所提取的故障特征進行特征級融合,通過特征間的融合實現(xiàn)故障特征的降維,使得輸入到故障分類器的特征集更加簡練高效,不僅降低了分類器運行時間減輕了計算量,而