基于VMD-KEI的電機用滾動軸承故障診斷研究

發(fā)布時間：2020-05-09 06:40

【摘要】：電機是現(xiàn)代工業(yè)過程中重要的驅(qū)動設(shè)備,而滾動軸承作為緩沖高速運轉(zhuǎn)零部件的復(fù)雜受力的關(guān)鍵零件之一,因其具有摩擦力小、啟動升速容易、結(jié)構(gòu)簡單、維修方便等特點,被廣泛應(yīng)用于各種電機設(shè)備中。而如此重要的關(guān)鍵零件一旦發(fā)生故障,會嚴重的影響電機的穩(wěn)定性,甚至?xí)饑乐氐臑?zāi)難性事故。因此,深入分析滾動軸承故障發(fā)生機理,探索電機用滾動軸承故障診斷技術(shù),可以在滾動軸承出現(xiàn)不良性能之前提前做好維修工作,對延長電機有效工作時間具有十分重要的實際工程意義和應(yīng)用前景。為此,本文將變分模態(tài)分解(VMD)引入到電機用滾動軸承故障診斷中,詳細研究了基于變分模態(tài)分解的電機用滾動軸承非平穩(wěn)振動信號故障特征提取,并融合基于遺傳算法(GA)優(yōu)化的極限學(xué)習(xí)機(ELM)的診斷模型,以期實現(xiàn)電機用滾動軸承故障的準確識別和診斷。首先,本文簡要闡述了變分模態(tài)分解的基本原理,通過仿真信號對比分析驗證了VMD分解可以有效避免EMD分解產(chǎn)生的模態(tài)混疊和虛假分量現(xiàn)象。其次針對VMD算法對初始參數(shù)敏感特性,提出一種由粗到精的參數(shù)優(yōu)化策略,通過西儲大學(xué)實驗數(shù)據(jù)證明了該優(yōu)化策略的有效性和實用性。在電機軸承存在早期微弱故障時其信號包含的故障特征微弱,為了更好的提取電機用滾動軸承振動信號的故障特征信息,本文提出基于符號動態(tài)熵理論及集合峭度的KEI評價指標,通過變分模態(tài)分解結(jié)合KEI評價指標將振動信號進行分解和篩選,將篩選出的最佳分量進行包絡(luò)解調(diào),獲得滾動軸承的故障特征信息,通過實驗數(shù)據(jù)處理分析證明所提出的VMD-KEI方法能夠很好的對振動信號的故障特征信息進行提取。最后簡要闡述了極限學(xué)習(xí)機的原理,針對極限學(xué)習(xí)機穩(wěn)定性差等缺點,采用遺傳算法對輸入層和隱含層的相關(guān)參數(shù)進行優(yōu)化,建立了GA-ELM診斷模型,并結(jié)合VMD-KEI特征信息提取方法,提出基于VMD-KEI和GA-ELM的電機用滾動軸承故障診斷方法,通過實驗表明,此方法可以對滾動軸承內(nèi)外圈及滾動體故障做出準確診斷。
【圖文】：