多轉子軸承層次化智能診斷及故障早期預示方法研究.pdf

1、隨著機械化的發(fā)展，現代機械設備之間聯系緊密，發(fā)動機作為現代設備的動力裝置，有著復雜的系統結構，其發(fā)展趨勢向著高轉速方向發(fā)展，作為航空發(fā)動機重要部分的多轉子軸承和齒輪等部分常會出現損壞，其中轉子軸承系統會產生各種故障，這會影響整體的機械運轉狀況。在實際生產中通常采用故障診斷技術，故障診斷技術融合了傳感器應用，信號處理方法，人工智能和計算機等多方面技術。通過對軸承和轉子各部分的檢測可以監(jiān)控多轉子軸承系統的工作狀態(tài)。當不同部件產生故障時，所引

2、起的故障信號頻率和幅值與各部件結構參數相關，不同結構出現故障時，對應的故障信號會呈現特定的形式，通過分析故障信號可以得到多轉子軸承系統的故障類型和故障特性。針對航空發(fā)動機中多轉子軸承故障，采取適合特定故障信號的方法，并實現模塊化應用，達到較高的處理效率。
　　本文首先針對多轉子軸承的系統中的多種故障，采用了最初的小波去噪方法，針對其去噪結果的不足，采用了基于自適應閾值的改進后的去噪法方法，該改進后的小波去噪方法，相對于最初的小波去

3、噪和基于傳統閾值的小波去噪方法去噪效果更明顯，可以提取噪聲背景中的微弱信號，能有效解決噪聲模態(tài)混疊的情況，達到有效去噪的效果。
　　其次分別對提取出的故障信號進行特征提取，提取出時域、頻域、解調域、小波包能量譜域特征參數，構成能反映多轉子軸承系統的參數集，采用KPCA法對參數集進行壓縮降維處理，大幅度的降低了冗余度進而提升效率。KPCA可以有效解決非線性空間參數集的維數，可以用于故障的動態(tài)識別，可以實時有效的降低參數集的維數針對壓

4、縮后的數據進行模式識別。
　　文中最后采用了改進型神經網絡算法、改進型概率神經網絡、改進型蟻群遺傳算法，進而有效識別并基本預測故障的類型和發(fā)展。在改進型神經網絡方法中，采用遺傳算法中的交叉優(yōu)化算子優(yōu)化網絡的權值，提升避免網絡得到局部最優(yōu)解的可能性。本文對蟻群算法進行改進，能夠改進螞蟻解中的轉移概率，同時在公式中增加了均勻兩點交叉算子，有利于提升最優(yōu)解的搜索進程，比傳統的蟻群算法有較高的運行速度。本文對概率神經網絡方法進行改進，使其