滾動(dòng)軸承退化狀態(tài)識(shí)別技術(shù)研究.pdf

1、作為旋轉(zhuǎn)機(jī)械中使用最普遍的關(guān)鍵組件-滾動(dòng)軸承，其狀況對(duì)它所支撐的轉(zhuǎn)子甚至整臺(tái)設(shè)備的正常運(yùn)轉(zhuǎn)具有重要的影響作用。滾動(dòng)軸承故障的發(fā)展具有一個(gè)由輕微到嚴(yán)重的變化過程，準(zhǔn)確及時(shí)地識(shí)別出運(yùn)行過程中滾動(dòng)軸承的退化狀態(tài)，可以合理指導(dǎo)制定性能檢查和替換維護(hù)計(jì)劃，對(duì)提高整個(gè)機(jī)械設(shè)備運(yùn)行的可靠性具有重要的意義。
　　本文采用改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和支持向量機(jī)（SVM）相結(jié)合的方法進(jìn)行滾動(dòng)軸承的退化狀態(tài)識(shí)別。EEMD法能將信號(hào)自適應(yīng)地分解到

2、不同的尺度上,特別適合對(duì)于非穩(wěn)定、非線性的信號(hào)進(jìn)行處理。本文采用的改進(jìn)EEMD法根據(jù)分解過程中信號(hào)和加入的白噪聲的特點(diǎn)來(lái)選擇EEMD的參數(shù)，這避免了傳統(tǒng)EEMD法的根據(jù)經(jīng)驗(yàn)人為選取參數(shù)，分解結(jié)果不夠準(zhǔn)確問題。之后對(duì)分解后所得到的的固有模態(tài)函數(shù)（IMF）分量進(jìn)行閾值處理后再重構(gòu)，以降低噪聲的干擾。對(duì)重構(gòu)后的信號(hào)再進(jìn)行包絡(luò)譜分析，提取其故障特征，以確定滾動(dòng)軸承發(fā)生故障的具體位置。準(zhǔn)確地評(píng)估滾動(dòng)軸承退化狀態(tài)的關(guān)鍵問題是如何在有限的狀態(tài)數(shù)據(jù)下建

3、立合適的模型。而SVM正是一種解決小樣本分類與預(yù)測(cè)的機(jī)器學(xué)習(xí)算法，該算法是建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論基礎(chǔ)之上的，依據(jù)有限的數(shù)據(jù)樣本在學(xué)習(xí)能力和模型的復(fù)雜性之間尋求最佳折衷，從而可以獲得較好的分類識(shí)別準(zhǔn)確率。本文在EEMD分解提取故障特征的基礎(chǔ)上，根據(jù)不同故障類型通過GA和SVM來(lái)提取滾動(dòng)軸承的退化狀態(tài)識(shí)別特征，利用滾動(dòng)軸承退化狀態(tài)概率分布以及歷史剩余壽命來(lái)確定其最優(yōu)退化狀態(tài)數(shù)目建立退化狀態(tài)識(shí)別模型。最后用不同退化