基于變分模態(tài)分解與優(yōu)化多核支持向量機的旋轉機械早期故障診斷方法研究.pdf

1、旋轉機械作為現(xiàn)代化工業(yè)生產中必不可少的工程設備，被廣泛應用于化工、石油、冶金、電力等關系國計民生的重要領域。一旦旋轉機械設備發(fā)生故障輕則致使整個系統(tǒng)癱瘓造成巨大經濟損失，重則產生人員傷亡。研究表明旋轉機械早期故障階段具有較長的潛伏期，如果能在旋轉機械設備故障萌芽即將出現(xiàn)、剛剛出現(xiàn)或故障程度比較輕微時，準確地預測故障可能發(fā)生的時間、部位以及故障類別，并據此指導旋轉機械設備的保養(yǎng)和維修工作，將有利于對旋轉機械設備故障發(fā)展進行有效控制，并保障

2、其安全可靠地運行。
　　旋轉機械早期振動信號易受強背景噪聲干擾，同時受到傳輸路徑與信號衰減、傳播介質與采集設備損耗等因素影響，進一步弱化了振動信號中包含的故障振動信號信息；旋轉機械大多結構復雜，故障源信號至測點位置為非線性傳播，同時運行工況不穩(wěn)定、多部件耦合振動、振動干擾大等特點，使得采集到的故障振動信號具有強烈的非平穩(wěn)、非線性等特點，導致故障振動信號與設備狀態(tài)映射關系模糊，故障特征難以提取；旋轉機械早期故障樣本缺乏長期性、系統(tǒng)性

3、的收集，故障樣本稀缺且故障特征值和故障的類別無明確的映射關系，故障辨識難度大。
　　論文針對旋轉機械微弱故障信號增強、非線性及非平穩(wěn)故障信號特征提取、小子樣故障診斷等問題，深入研究基于變分模態(tài)分解及優(yōu)化多核支持向量機的旋轉機械早期故障診斷方法，具體研究內容如下：
　?、籴槍πD機械早期背景噪聲干擾大故障信息微弱的問題，提出自適應最大相關峭度反卷積的微弱故障增強方法。以相關峭度作為評價指標，充分考慮早期故障振動信號中所含沖擊成

4、分的特性，通過迭代過程以實現(xiàn)解卷積運算；利用小波Shannon熵作為目標函數，采用變步長網格搜索法自動搜尋最優(yōu)濾波器階數以及周期；使最大相關峭度反卷積方法在達到很好的效果的同時更具有自適應性，從而有效地檢測出被噪聲淹沒的微弱故障；
　?、卺槍πD機械故障信號非平穩(wěn)、非線性特征提取難的問題，提出自適應變分模態(tài)分解的多頻帶多尺度樣本熵特征集構建方法。利用不同頻帶上模態(tài)的多尺度樣本熵組成敏感特征向量集，表征旋轉機械早期故障狀態(tài)特征，進而

5、提高對旋轉機械早期故障狀態(tài)的辨識能力；
　?、坩槍ψ兎帜B(tài)分解中一些關鍵參數選擇不確定的問題，提出自適應變分模態(tài)分解方法；提出以VMD分解后各模態(tài)與原信號之間的相關性來保證分解的精度并指導最優(yōu)K值的確定；VMD分解中平衡約束參數越小，所得模態(tài)分量帶寬越大，易出現(xiàn)中心頻率重疊以及模態(tài)混疊的現(xiàn)象；通過仿真實驗分析，提出在實際應用中一般可取平衡約束參數為采樣頻率；研究分析了自適應變分模態(tài)分解的性能：正交性能分析、能量保存度分析、等效濾波

6、屬性分析；通過仿真實驗分析得出：自適應變分模態(tài)分解在正交性能、能量保存性能方面，均優(yōu)于EMD、EEMD、LMD方法；利用分數高斯噪聲通過數值模擬實驗對EMD、LMD、AVMD等效濾波屬性分析，相比于EMD和LMD，AVMD可以更接近于小波包分解，且是一種比EMD和LMD能提供更高的時頻分辨率的自適應分解方法；對比研究了AVMD與EMD性能，發(fā)現(xiàn)當有異常信息干擾時，AVMD仍具有很好的效果；
　　④針對旋轉機械早期故障樣本缺乏，提出

7、基于免疫遺傳算法優(yōu)化多核支持向量機的旋轉機械小子樣故障診斷方法。通過引入權重因子將不同核函數組合學習，基于全局核函數以及局部核函數構造多核函數，實現(xiàn)輸入特征向量到核函數空間的快速映射，算法泛化能力更好、模型解釋能力更強；利用免疫遺傳算法獲取多核支持向量機最優(yōu)參數，克服多核支持向量機參數選擇的不確定性，進而提高多核支持向量機在旋轉機械小子樣振動故障診斷中的穩(wěn)定性以及泛化推廣能力。
　　文章最后對本文的工作進行總結，并展望下一步的研究