论文部分内容阅读
水泥厂生产过程中,高温风机是通风除尘不可或缺的设备之一,一旦风机出现故障,将会导致整个生产过程出现停滞,进而给企业造成严重损失。滚动轴承是高温风机中的重要组成部件,也是易损件。因此,本文选取高温风机的滚动轴承为研究对象,主要内容如下:(1)本文从时频分析的角度对局部均值分解(Local Mean Decomposition,LMD)原理进行了研究,针对端点效应问题,将LMD方法与经验模态分解(Empirical Mode Decomposition,EMD)方法进行了对比分析,结果表明LMD分解过程中所存在的端点效应对最终结果的影响程度较EMD小很多。为了进一步降低LMD中端点效应的影响,提出了能量选择延拓法,并通过实验验证了该方法的有效性。(2)针对LMD分解得到的PF(Product Function)分量对于分类模型的输入而言过大,引入了奇异值分解(Singular Value Decomposition,SVD)方法。SVD可以对分量的尺度进行压缩,而且有较好的稳定性和鲁棒性。为了验证SVD的滤波性能,进行了仿真实验。结果表明,含噪信号经过SVD处理后,它的曲线波动幅度逐渐减小,同时,其所具有的特征基本保持不变,由此可知SVD方法可以达到良好的滤噪效果。(3)本文选用结构简单、训练速度快、分类精度高以及具有良好全局寻优能力的极限学习机(Extreme Learning Machine,ELM)算法对滚动轴承在不同工况下的故障状态进行分类;归纳总结了单隐含层前馈神经网络与ELM的基本原理,对隐含层激活函数的选取和ELM参数的选取进行了详细的研究。(4)针对滚动轴承振动产生的非平稳、非线性信号,本文提出一种基于LMD-SVD和ELM的故障诊断方法。首先,通过LMD将采集到的振动信号分解为一系列乘积函数,从而得到具有物理意义的瞬时频率;然后,采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值;最后,基于提取的特征向量,应用运算效率和分类精度更高的ELM对轴承故障状态进行分类。实验结果表明,该方法能有效的对风机滚动轴承在变工况条件下进行自适应诊断。