基于共振稀疏分解的滚动轴承故障诊断方法研究

滚动轴承被广泛应用于机械设备中,是旋转设备的重要部件,同时又是一个主要的故障源,其工作状态正常与否直接影响到机械设备的运行稳定性和安全性。因此,为了及时发现故障,降低经济损失,对滚动轴承进行运行状态监测和故障诊断具有十分重要的意义。本文在对滚动轴承结构和振动特性深入研究的基础上,研究了共振稀疏分解方法,并针对其在参数选择问题,提出了优化方法,取得了较好的信号分解结果。另外,对模式识别方法进行了研究并提出了优化方法,能够对滚动轴承故障信号进行有效地模式识别。本文主要内容如下:阐述了滚动轴承故障诊断的研究背景和意义,总结了故障诊断技术的发展过程,系统介绍了滚动轴承故障特征提取方法和模式识别方法的研究状况。研究了滚动轴承的故障形式和故障诊断方法,根据滚动轴承的结构和振动机理,给出了故障特征频率的计算公式,并总结了基于振动信号的滚动轴承故障诊断的基本步骤。深入研究了共振稀疏分解方法的基本原理,针对其参数选择问题,提出采用PSO算法对品质因子的确定过程进行优化。为加强全局寻优能力,引入了模拟退火算法和调整惯性权重因子的方法,对PSO算法作出了改进,得到了基于改进PSO算法优化的共振稀疏分解方法。采用不同方法对模拟信号进行分解和频谱分析,得到故障特征频率,通过分解结果的对比,验证了本文所提方法的有效性。研究了支持向量机的分类原理,针对支持向量机在处理大样本问题上的局限性,提出最小二乘支持向量机分类方法,利用改进的PSO算法对其进行参数优化。利用优化的分类方法对Wine数据进行分类识别,证明了优化的分类方法的有效性。利用滚动轴承的故障振动信号,对本文提出的故障特征提取方法和模式识别方法进行了实验验证。对滚动轴承故障信号进行共振稀疏分解,一方面,对分解得到的低共振分量进行频谱分析,提取出故障特征频率;另一方面,将低共振分量对应的系数作为支持向量机的输入,进行故障模式识别。利用不同方法对滚动轴承信号进行分解,通过故障特征频率提取结果和模式识别分类准确率的对比,表明了本文所提优化方法的优越性和鲁棒性。