论文部分内容阅读
随着科学技术和制造工艺的不断发展进步,旋转机械设备正朝向精密化、复杂化、智能化趋势不断发展,对设备稳定可靠运行的要求也在不断提高。滚动轴承是旋转设备的重要组成部分,工业设备的平稳运行有赖于轴承的正常运转,其轻微缺陷就可能导致整个机械系统发生故障,因此轴承状态的检测及后续的诊断是一个重要的课题。综上所述,本文以滚动轴承为例,研究了故障诊断中3个关键性的问题:第一,振动信号的降噪处理;第二,高维特征的约简;第三,故障类型分类。本文主要工作如下:(1)针对滚动轴承振动信号中存在噪声干扰的问题,选取变分模态分解(Variational Mode Decomposition,VMD)与小波半软阈值结合对滚动轴承振动信号进行降噪处理,并采用鲸鱼算法优化VMD分解参数。针对高频部分存在噪声的问题,提出了基于互信息的VMD降噪方法,从VMD分解后所得的各本征模态函数(Intrinsic Mode Function,IMF)中,根据互信息准则选择高频部分进行小波半软阈值降噪,最后将低频和降噪后的高频进行合成消除了噪声对振动信号分析的干扰。通过轴承内、外圈故障仿真分析验证了该降噪方法的有效性。(2)从降噪后信号中提取16个时域特征、4个频域特征及3个熵特征构成混合域高维特征集,但数据的高维特性给学习算法带来了两个挑战:1)增加了算法的计算负担;2)维数灾难可能会降低算法的性能,针对以上两个问题本文提出运用流形学习算法将高维特征降维。主要改进了局部线性嵌入(local linear embedding,LLE)算法,针对欧式距离不能衡量流形上两点相对距离和样本点采样需要均匀分布的问题,提出均匀化Geodesic Rank-order算法,提升了原始算法保持样本空间流形结构的能力。结果表明改进算法提升了约简后数据的可分性。(3)本文以业界公认的轴承故障诊断标准数据集:凯斯西储大学滚动轴承数据集为例验证基于互信息的VMD降噪与改进LLE算法降维的可行性与有效性。设计了滚动轴承不同故障类型、不同故障尺寸的两组实验,针对约简参数会影响约简结果,提出网格搜索法对改进LLE参数邻近点个数k、约简维数d进行选取。实验结果表明,本文方法能在降低高频噪声的同时保留原始信号信息;经改进LLE降维后的数据相比改进前Fisher度量显著提高,且更易被SVM分类。