基于模型優(yōu)化VPMCD的滾動軸承故障診斷方法.pdf

1、滾動軸承在機械設備中主要起著承受和傳遞載荷的作用，是機械設備中最易損傷的元件之一。一旦滾動軸承出現故障很可能導致整個機械設備不能夠正常運行，嚴重時甚至引起整條生產鏈的癱瘓，將造成不可估量的損失，甚至嚴重的人員傷亡安全事故。因此，對其運行狀況進行實時的監(jiān)測和診斷有著非同一般的價值和意義。
　　本質上講，滾動軸承的故障診斷是一個模式識別過程?；谒崛√卣鲄抵g存在的相互內在關系Raghuraj等人提出了基于多變量預測模型的模式識別

2、方法（Variable predictive mode based class discriminate，簡稱VPMCD）。該方法采用數學回歸模型對所提取特征參數間的內在關系進行定量描述，通過樣本訓練選取適當的數學模型與階次建立最佳預測模型，在樣本測試階段用所建立的最佳預測模型對樣本進行預測并以預測誤差平方和最小為判據，進行分類識別。本文針對VPMCD方法所建立模型在特征值間關系復雜時預測擬合精度不足的缺陷，提出了基于優(yōu)化模型、替代模型

3、、優(yōu)化替代模型的幾種改進方法，改進后的VPMCD方法經實驗驗證能夠有效地應用于滾動軸承的故障診斷。
　　論文的主要研究內容如下:
　　1、將VPMCD方法和廣泛應用的人工神經網絡、支持向量機進行了對比分析，通過UCI標準數據對這三種模式識別方法進行了實驗對比，結果分析表明了VPMCD方法的有效性。
　　2、針對VPMCD方法所建立的最佳模型只選擇了一種數學回歸模型，模型比較單一，不能夠完全描述所提取特征參數間的關系而缺

4、乏預測精度的缺陷，采用量子遺傳算法（Quantum genetic algorithm，簡稱QGA）加權全部四種回歸模型，優(yōu)化其權值，建立一個加權綜合模型，能夠更好的對樣本進行預測。
　　3、針對VPMCD中所提供的四種數學回歸模型在面對所提取特征值間關系復雜程度高時擬合預測能力欠缺的問題提出了兩種預測能力強的替代模型，即R-VPM模型和Kriging模型，并分別提出了基于這兩種替代模型的改進方法。
　　4、將人工魚群智能算

5、法應用于對Kriging幾種相關模型的加權優(yōu)化提出了AKVPMCD方法。提出了一種新的降噪方法——ASTFA相關準則降噪法，并將其結合AKVPMCD應用于背景噪聲較強的滾動軸承故障診斷。首先將滾動軸承振動信號采用ASTFA降噪方法有效地濾除背景噪聲，提取特征值，然后應用經魚群算法優(yōu)化幾種Kriging相關模型權值的AKVPMCD進行分類診斷識別。實例分析表明ASTFA降噪結合AKVPMCD能夠有效的應用于滾動軸承的故障診斷。針對通過提高