基于小波分析和在线极限学习机的滚动轴承故障诊断方法研究

【摘要】：随着旋转机械设备趋于大型化、高效化、集成化,对旋转机械安全可靠运行的要求也相应提高。滚动轴承是影响旋转机械设备安全运行的关键因素之一,但是由于加工工艺、工作环境等原因造成其寿命参差性较大和损坏率高的缺点,因此需要对滚动轴承运行状态实施有效的诊断。滚动轴承故障诊断技术摆脱了定期维修的弊端,不仅减少了因滚动轴承故障造成的不必要的人力物力损失,而且很大程度上提高了生产效率和机械设备的安全性和可靠性。因此,研究滚动轴承故障诊断技术具有重大的经济意义与实际应用价值。本文以滚动轴承为研究对象,采用振动信号分析方法对故障特征进行提取并识别故障类型。对基于小波分析和在线极限学习机的滚动轴承故障诊断技术中所涉及的理论、方法和关键技术进行了深入的研究,主要研究工作如下：系统分析了滚动轴承故障诊断的主要方法,在众多诊断方法中,振动诊断法适用范围广、处理和分析过程明确直观,因此本文采用振动信号分析方法。通过分析轴承故障诊断领域的国内外研究现状,指出快速、准确地对轴承故障进行诊断已成为研究重点。此外对滚动轴承振动信号时域、频域和时频域分析方法及常用的滚动轴承故障模式识别方法也进行了分析。深入研究了滚动轴承振动信号时频分析方法中的小波分析方法,主要包括小波变换、第二代小波包变换和双树复小波包变换。重点研究了双树复小波包变换的抑制频带混叠和平移不变性两个特性。针对滚动轴承振动信号具有的非平稳性和非线性特点,本文提出了基于改进的双树复小波包变换的滚动轴承故障特征提取方法。该方法是以双树复小波包变换为基础,利用经验模式分解和两层能量比筛选的方法对其进行改进。通过仿真信号实验对改进的双树复小波包变换在提取信号特征频率方面的可行性和有效性进行了验证。在基本极限学习机的基础上重点研究在线极限学习机,在线极限学习机是对传统极限学习机的改进算法,它能够处理连续或者逐个到达网络的数据。论文完成了对基于改进的双树复小波包变换的故障特征提取方法和基于在线极限学习机的模式识别方法两部分的实验验证。将改进的双树复小波包变换方法以及在线极限学习机应用于实际滚动轴承振动信号的诊断,实验结果表明,本文提出的改进的双树复小波包变换可以有效地提取振动信号故障特征,并且通过在线极限学习机能够以较高的准确率对滚动轴承运行状态进行识别。