论文部分内容阅读
轴承的振动问题一直是机械行业的研究热点,近年随着中国制造业的飞速发展,滚动轴承的转速和负荷也在不断提高,利用滚动轴承的振动信号进行故障诊断研究有利于保障机械设备的正常运行。然而滚动轴承故障信号能量微弱,故障特征信息更容易受到工况中噪声的影响,致使很难有效地实现信噪分离。经验小波变换(Empirical Wavelet Transform,EWT)是一种新型的信号分解方法,它能够准确地将故障信号从复杂信号中分解出来。传统单个传感器采集到的振动信号不能全面反映轴承状态的真实情况,会影响故障诊断的精度,全矢谱技术能够对双通道信号进行融合,有效地避免信息遗漏。本文以滚动轴承为研究对象,全面研究了经验小波变换方法和全矢谱技术的优势,对滚动轴承振动信号进行故障特征提取,结合多分类极限学习机(Limit Learning Machine,ELM)进行故障诊断,主要研究内容如下:(1)首先研究了EWT方法的理论和性能,利用仿真信号验证了EWT方法比集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和时间固有尺度分解(Intrinsic Time-scale Decomposition,ITD)具有更强的信号解析能力。针对EWT对微弱故障信号分解不足的问题,结合核独立成分分析技术(Kernel Independent Component Analysis,KICA)的优势,提出了EWT-KICA联合的滚动轴承故障特征提取方法。首先使用EWT对轴承故障信号进行分解,根据相关系数准则对分解获得的分量结果进行筛选并重构,然后使用KICA对重构的信号进行解混,实现信号和噪声的分离。实验结果表明,该方法能够增强EWT对故障特征的提取能力。(2)其次研究发现传统EWT方法由于频谱分割问题会造成信号的过分解或欠分解现象,本文提出了对极大值包络的EWT频谱分割优化方法,同时为了解决单通道信号造成的故障信息遗漏问题,引入全矢谱信息融合技术,提出改进EWT-KICA全矢融合的故障特征提取方法。通过实验验证了该方法不仅达到了信噪分离的目的,而且能够更加全面准确地提取滚动轴承的故障特征。(3)最后介绍了多分类极限学习机方法的原理,并分别计算全矢融合后主振矢和时域信号的特征因子,将其组成特征向量,提出了基于全矢经验小波变换的多分类极限学习机轴承故障诊断方法。该方法首先使用改进EWT-KICA全矢信息融合的方法对滚动轴承进行故障特征提取,然后计算主振矢和时域信号的特征参数并构造用以识别的特征向量,最后将特征向量输入ELM中构造分类器,并对测试样本进行分类。经实验验证,该方法能够准确地识别滚动轴承正常、外圈故障、保持架故障以及保持架滚动体外圈复合故障。