摘要
机械设备运维工作是保证设备正常运行的基础，滚动轴承几乎应用在所有的大型机械中，其减少能量损耗的作用必不可缺，对滚动轴承状态进行监测，既有助于设备维护，又有助于安全生产，因此，本文对轴承状态检测展开研究。本文通过分析振动特点、分解振动信号、获取不同轴承状态下振动信号所包含的隐性信息，然后识别不同轴承状态的特征信息，以此实现不同状态轴承的精准分类。 首先，从信号处理、特征选取、识别模型三方面，梳理当前研究现状，提出本文的研究方法和主要创新点。另外，梳理滚动轴承的振动机理，并基于此，划分轴承状态，并分析不同位置发生损伤时振动信号的变化特点。在信号处理上，采用不易产生模态混叠的VMD算法实现信号的分解，将原始信号划分为多个子信号，以减少因其他设备振动产生的噪声干扰。为将不同轴承特征有效量化，计算分解信号的SE值，并选取原始信号的代表性时域指标作为补充，构建TDI-VMD-SE特征数据，为识别模型的数据输入做铺垫。 针对轴承数据实际采集过程中多种状态轴承数据难全面获取的问题，选择贴近小样本分类的SVM模型进行故障识别，构建基于改进烟花算法优化SVM的模型。针对烟花算法中轮盘赌选择子代过程随机性过大，本文在原始子代选择过程中引入适应度值，并与原算法中依据火花距离选择子代的方式相结合，以此减少子代选取的随机程度，提升算法的寻优效率。利用所提改进烟花算法搜寻SVM最优参数，从而提升SVM诊断精度，为实现高效的故障识别提供基础。 最后，通过不同故障类型、不同缺陷尺寸和不同电机负载等单一变量的滚动轴承状态识别，验证了所提模型在给定条件下的有效性。然后，排除控制变量的影响进行了综合分析，从多缺陷尺寸、多故障状态的进行混合故障识别，验证了模型可行性。另外，分别对比了不同特征值选取、不同算法优化支持向量机、神经网络模型下的诊断精度，证明了本文所提诊断方法的可行性及优越性。 本文将TDI-VMD-SE特征选择方式与IFWA-SVM模型相结合，验证了该特征提取方式的高效性，最终实现了滚动轴承故障的有效诊断，解决了单一特征值进行多故障识别准确率较低、过多特征值计算效率低的问题，并拓宽了SVM参数寻优的方法，有助于工厂安全生产。
NETL