论文部分内容阅读
航空轴承是航空发动机转子系统的核心部件,其性能状态将直接影响航到空发动机的性能,由于航空轴承所处位置难以监控且其寿命离散度较大。因此,引起国内外不少学者对此进行研究。轴承故障进行实时监控诊断,不仅有利于了解航空发动机的性能状态,更能够充分利用轴承从而节约维修成本。本文基于轴承振动信号的特征参量,结合人工智能算法,对轴承故障实施诊断。本文主要研究方面如下:1)首先明确故障产生机理,选择可用于试验复现的故障类型,根据试验需求搭建试验设备平台,明确试验信号采集的前提条件。2)针对轴承故障振动信号特征难以提取的问题,首先,采用经验模态(EMD)和快速独立分量分析(FastICA)相结合的降噪方法,对振动信号进行去噪处理;其次,提取能够表征振动状态的时域和频域特征参量;最后,考虑到时域和频域特征参量之间的耦合性和高维性,采用遗传算法进行降维处理,选择了8个最优时域特征和6个最优频域特征作为后续诊断过程中的输入源。3)基于最优时域和频域特征参量数据集,采用极限学习机(ELM)网络模型对轴承故障实施诊断。为更好的实现轴承诊断,对轴承故障数据样本集进行数据归一化处理,消除数据间的量纲和数量级差异,并对数据样本集进行合理划分;考虑到ELM模型自身影响因素,对ELM模型的隐含层神经元和激活函数进行分析,并将ELM网络与部分单隐层前馈神经网络进行对比分析,验证了ELM网络诊断模型在轴承故障诊断中的有效性。4)考虑到由ELM模型的连接权值和阈值随机产生引起的缺陷问题,采用遗传算法(GA)对其优化。首先,介于经典遗传算法可能存在的问题,提出从交叉操作和变异操作对遗传算法进行改进(IGA),将IGA用于优化ELM并进行轴承故障诊断;其次,采用Bloch球面坐标遗传算法(BQGA)对ELM进行优化,并考虑到BQGA搜索区域限制问题,引入混沌扰动对BQGA进行改进,将改进的BQGA(CBQGA)用于ELM的优化;最后,将文中采用的优化方法与多种其它算法进行诊断效果对比,验证了上述方法的可行性。