论文部分内容阅读
随着现代科技的不断进步,机械向着高速化、大型化、复杂化的方向发展。滚动轴承、齿轮、汽轮机转子等重要旋转机械设备在整个系统运营中发生故障,将会产生财产损失和人生安全问题。对旋转机械设备的振动信号进行检测和分析后进行故障振动信号分析是较为普遍的技术之一。旋转机械设备振动信号成分复杂,具有明显的非平稳性。对非平稳性振动信号的分析方法展开研究是提高其故障诊断的质量所在。因此对旋转机械设备的振动信号进行分析后进行故障识别对复杂机械系统正常安全运行具有重大的实际意义。本文在旋转机械设备振动信号提取和识别方法的基础上展开研究,具体地讲,本文主要研究内容如下:(1)针对旋转机械设备振动信号特征提取中多尺度熵(Multiscale Entropy,ME)模型,如多尺度样本熵(Multiscale Sample Entropy,MSE)、多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)、多尺度排列熵(Multiscale Permutation Entropy,MPE)存在的计算效率问题,提出了多尺度基本熵(Mutilscale Base-Scale Entropy,MBSE)模型。首先使用仿真信号对比分析样本熵、模糊熵、排列熵之间的优缺点。随后从运行时间、模型基本运算操作次数、各模型不同参数角度出发对上述模型进行计算效率的对比和分析,并分析了 MSE/MFE/MPE模型计算效率较差的原因所在。最后结合粒子群优化(Particle Swarm Optimization,PSO)/和遗传优化(Genetic Algorithm,GA)-支持向量机(Support Vector Machine,SVM)、随机森林(RandomForest,RF)分类模型对旋转机械中滚动轴承的多种状态下的振动信号进行故障识别,实验仿真结果表明不同参数情况下的MBSE模型的计算效率与识别精准度较MSE/MFE/MPE好,提高诊断效率和准确率,并更好的为诊断系统提供决策支持。(2)为了解决ME模型中的不稳定性和整体一致性较差等问题,在ME模型基础上引入每个尺度因子下的熵平均数值作为新的多尺度熵数值形成复合多尺度熵(Compound Multiscale Entropy,CME)。因此在MPE模型基础上进行改进并提出复合多尺度排列熵(Compound Multiscale Permutation Entropy,CMPE)模型。详细对比分析了多种信号序列不同长度与参数下MPE与CMPE的整体平滑性和一致性。构建了 CMPE-PSO/GA-SVM与CMPE-RF多种分类故障诊断组合模型。最后利用不同的模型对滚动轴承和齿轮的振动信号进行特征提取后进行故障诊断。实验表明CMPE模型整体上诊断效果较MPE好。(3)针对实际工程中海量数据是无标签特性且其维度较高问题,运用相关系数和主成分分析(principal components analysis,PCA)进行特征向量的选择与降维预处理。采用基于经验模式分解(Empirical Mode Decomposition,EMD)、总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、局部均值分解(Local Mean Decompoeiton,LMD)与SE/FE相结合的模型对旋转机械振动型号特征提取,最后使用模糊C均值(Fuzzy-C-Means,FCM)、GK(Gustafson-Kessel)、GG(Gath-Geva)上述多种模型组合进行滚动轴承与齿轮故障聚类识别,并使用聚类评价指标对上述多种组合模型进行理论上进行对比,实验结果表明EEMD-FE-GG模型较其它11种组合模型(EMD/EEMD-SE/FE-FCM/GK,EMD/EEMD-SE-GG)识别效果较好。(4)为了解决旋转机械设备中常用聚类故障诊断方法中需要预先划分聚类中心点数目等问题,建立了基于EEMD/LMD多种熵的CFS/AP故障诊断模型。从CFS抉择聚类中心点的方法角度出发,详细分析了 CFS模型截断距离参数对其产生的影响。但由于CFS模型存在人为抉择聚类中心点的情况,故引入AP聚类算法,同时文中对比分析了 AP与常见的聚类算法K-means/FCM的复杂度对比,并阐述了 AP模型不同参数对其产生的影响。最后将CFS/AP模型应用于滚动轴承的聚类故障识别中。