论文部分内容阅读
滚动轴承是轨道交通列车的重要零部件,实现对滚动轴承故障类型的快速、准确识别,对保证轨道交通列车平稳、安全以及可靠运行具有十分重要的意义。本文以轨道交通列车的滚动轴承为研究背景,实现对正常状态以及三种常见故障类型:内圈故障、外圈故障、滚动体故障的诊断识别。主要针对滚动轴承诊断过程中故障特征提取和故障类型识别两个方面做了研究和改进工作。针对滚动轴承振动信号非周期性、非平稳性的特点,以及在故障特征提取方面干扰多、效果差等问题,提出变分模态分解(Variational Mode Decomposition,VMD)和多尺度排列熵(Multiscale permutation entropy,MPE)相结合的方法。VMD方法是一种典型的自适应信号分解方法,可以将信号自适应的分解成K个模态,并能够有效的避免模态混叠、边界效用等问题。本文采用VMD方法将采集的滚动轴承振动信号分解成4个模态分量,提取每个模态的能量特征构建能量特征向量作为模式识别的输入向量。为了进一步量化每个模态的能量特征,通过MPE方法对每个模态进行多尺度分析、计算,更加全面的提取故障特征。针对识别故障类型正确率低的问题,本文采用人工神经网络中的概率神经网络(Probabilistic Neural Network,PNN)进行故障类型的分类识别。PNN被广泛应用于模式识别领域,但其中重要参数平滑因子?的取值仍然是基于传统的样本聚类法或经验估计法。?的优劣直接决定着整个网络的性能,因此,采用粒子群算法(Particle swarm optimization,PSO)对?进行寻优求解以提高网络性能,并在PSO算法中加入惯性权重?和自适应变异进一步增强其寻优能力。通过研究,本文构建了四种滚动轴承故障识别模型:VMD+PNN模型、VMD-MPE+PNN模型、VMD+PSO-PNN模型以及VMD-MPE+PSO-PNN模型,通过MATLAB仿真结果显示,其诊断结果正确率分别为88.75%、92.50%、95.00%和97.50%。通过实验结果可知,对滚动轴承振动信号通过VMD方法分解,并进一步通过MPE方法量化提取能量特征构建能量特征向量,最终输入到经过PSO算法优化的PNN网络中可以有效实现对滚动轴承故障类型识别分类,且识别分类正确率高。