【摘要】：滾動(dòng)軸承是機(jī)械設(shè)備中的重要組成元件,其高頻率地運(yùn)轉(zhuǎn)在復(fù)雜工況環(huán)境下,運(yùn)行狀況的好壞直接影響著機(jī)械設(shè)備整體運(yùn)行的安全性與穩(wěn)定性。所以對(duì)滾動(dòng)軸承的故障診斷是機(jī)械故障診斷領(lǐng)域中的研究重點(diǎn),具有重要的研究意義和實(shí)用價(jià)值。滾動(dòng)軸承振動(dòng)信號(hào)具有非線性、非平穩(wěn)特性,本文首先對(duì)比分析短時(shí)傅里葉變換、小波變換在處理軸承振動(dòng)信號(hào)過(guò)程中的局限性后,采用小波包變換對(duì)軸承振動(dòng)信號(hào)進(jìn)行去噪和特征提取。其次,針對(duì)故障特征信息不能直接準(zhǔn)確識(shí)別出故障類型的問(wèn)題,本文以極限學(xué)習(xí)機(jī)算法為基礎(chǔ)結(jié)合粒子群算法的全局搜索優(yōu)勢(shì),構(gòu)建基于粒子群優(yōu)化極限學(xué)習(xí)機(jī)的PSO-ELM故障診斷模型,該模型將極限學(xué)習(xí)機(jī)中的初始輸入權(quán)值和隱層閾值作為粒子群中的空間位置,進(jìn)行全局范圍內(nèi)的參數(shù)尋優(yōu),該優(yōu)化方法能夠有效解決極限學(xué)習(xí)機(jī)中隨機(jī)產(chǎn)生輸入權(quán)值、閾值而影響其泛化能力的問(wèn)題。PSO-ELM模型在軸承故障診斷方面具有一定的可行性,但其網(wǎng)絡(luò)性能仍存在一定的改進(jìn)空間。因此,針對(duì)PSO-ELM模型中粒子群優(yōu)化極限學(xué)習(xí)機(jī)參數(shù)時(shí)易陷入局部最優(yōu)且早熟收斂的問(wèn)題,本文改進(jìn)遺傳算法中的選擇、交叉、變異的遺傳算子,構(gòu)建改進(jìn)遺傳粒子群IGA-PSO混合優(yōu)化算法,通過(guò)在粒子群算法中引入改進(jìn)的遺傳算子,增強(qiáng)種群多樣性,均衡粒子群算法的局部與全局搜索能力,并提出以IGA-PSO算法混合優(yōu)化極限學(xué)習(xí)機(jī)的IGA-PSO-ELM故障診斷模型,通過(guò)IGA-PSO混合算法對(duì)極限學(xué)習(xí)機(jī)輸入權(quán)值、閾值的參數(shù)優(yōu)化,進(jìn)一步完善極限學(xué)習(xí)機(jī)的診斷性能。本文通過(guò)MATLAB實(shí)驗(yàn),證明小波包變換能夠有效地提取出軸承振動(dòng)信號(hào)的能量特征。并通過(guò)多模型的實(shí)例對(duì)比分析,證明IGA-PSO-ELM故障診斷模型的收斂速度較快、收斂精度和分類性能較高,具有較好的軸承故障診斷效果。
【圖文】：

3 基于小波包變換的軸承振動(dòng)信號(hào)特征提取可以看出，小波變換的去噪效果較好，但小波分解主要噪，故極易去除掉有用的特征信息；而小波包去噪后的信波包變換實(shí)現(xiàn)對(duì)軸承振動(dòng)信號(hào)的去噪。

（c）軸承外圈故障 （d）軸承滾動(dòng)體故障圖 3.2 軸承振動(dòng)信號(hào)去噪結(jié)果圖結(jié)果表明，軸承各狀態(tài)下的振動(dòng)信號(hào)在進(jìn)行小波包去噪處理后，其幅值偏移量均發(fā)生改變，，說(shuō)明有效削弱了噪聲的影響，保留了重要的故障特征信息，為最優(yōu)特征提取奠定了基礎(chǔ)。3.2 軸承振動(dòng)信號(hào)的特征提取3.2.1 小波分解余弦和正弦函數(shù)是傅里葉變換的基本方程，小波函數(shù)則是小波變換的基本方程。不同的小波波形不同，相似的小波構(gòu)成一個(gè)小波族。在一定的范圍內(nèi)小波的值均不為零，故可以表示帶有尖銳和不連續(xù)的信號(hào)，小波變換：（3.7）式中，W 為正交矩陣， f 為輸入信號(hào)， 為變換得到的小波系數(shù)。小波濾波系數(shù)不僅組成不同的小波函數(shù)，還構(gòu)成了多維的高通、低通濾波器，其中WfT
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TH133.3;TP18;TP277

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 劉建強(qiáng);趙治博;任剛;吳寧;王廣明;章國(guó)平;;基于小波包分解和集合經(jīng)驗(yàn)?zāi)B(tài)分解的列車轉(zhuǎn)向架軸承智能故障診斷方法[J];鐵道學(xué)報(bào);2015年07期

2 杜占龍;李小民;鄭宗貴;張國(guó)榮;毛瓊;;基于正則化與遺忘因子的極限學(xué)習(xí)機(jī)及其在故障預(yù)測(cè)中的應(yīng)用[J];儀器儀表學(xué)報(bào);2015年07期

3 賀正楚;潘紅玉;;德國(guó)“工業(yè)4.0”與“中國(guó)制造2025”[J];長(zhǎng)沙理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2015年03期

4 鄭直;姜萬(wàn)錄;胡浩松;朱勇;李揚(yáng);;基于EEMD形態(tài)譜和KFCM聚類集成的滾動(dòng)軸承故障診斷方法研究[J];振動(dòng)工程學(xué)報(bào);2015年02期

5 柴保明;吳治南;趙志強(qiáng);董強(qiáng)強(qiáng);陳景禮;;基于小波包包絡(luò)分析的滾動(dòng)軸承故障診斷[J];煤礦機(jī)械;2015年01期

6 柴保明;吳治南;趙志強(qiáng);董強(qiáng)強(qiáng);陳景禮;;基于小波包與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動(dòng)軸承故障診斷[J];煤礦機(jī)械;2014年12期

7 張立國(guó);李盼;李梅梅;張淑清;張志福;;基于ITD模糊熵和GG聚類的滾動(dòng)軸承故障診斷[J];儀器儀表學(xué)報(bào);2014年11期

8 黃麗霞;肖順根;宋萌萌;;小波包和改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)相融合的異步電動(dòng)機(jī)滾動(dòng)軸承的故障診斷[J];現(xiàn)代制造工程;2014年07期

相關(guān)碩士學(xué)位論文 前6條

1 謝昭靈;基于HHT和BP神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)氣閥故障診斷研究[D];電子科技大學(xué);2018年

2 繩菲菲;基于極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組主軸承故障診斷方法研究[D];華北電力大學(xué);2017年

3 白廣晨;大數(shù)據(jù)在滾動(dòng)軸承故障診斷中的應(yīng)用研究[D];北京郵電大學(xué);2017年

4 韓寶珠;基于小波分析和在線極限學(xué)習(xí)機(jī)的滾動(dòng)軸承故障診斷方法研究[D];北京交通大學(xué);2016年

5 陳雪振;基于極限學(xué)習(xí)機(jī)的變壓器故障預(yù)測(cè)方法研究[D];華北電力大學(xué);2015年

6 成華義;GA-PSO-BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預(yù)測(cè)中的應(yīng)用研究[D];華中科技大學(xué);2014年

本文編號(hào)：2669202