【《基于算法的鼓风机轴承故障检测研究》15000字（论文）】

基于算法的鼓风机轴承故障检测研究摘要鼓风机是冶炼行业的重要设备，人们在很早之前就有使用鼓风机的记录，自从人类进入工业社会以来，对煤炭等化石能源的使用大幅增加，使得钢铁产业快速发展，这一过程中鼓风机起到了重要的作用。但是在使用过程中鼓风机容易损坏从而对生产造成一定的影响。在鼓风机的组成部件中轴承是最脆弱的也是最容易损坏的，同时鼓风机的损坏原因多种多样，难以进行故障的诊断和排除，这对于需要使用鼓风机进行生产的企业来说是一大困扰，为了解决这一问题，本次设计将利用所学的专业知识，通过MCKD算法建立一套鼓风机的诊断程序，传统的诊断方式只能看到肉眼可见的损坏，对于细微的损坏难以察觉，而且传统的检测手段检测速度较慢，极大的影响了工业生产的进度，而基于MCKD算法的检测程序是通轴承故障产生的故障信号进行检测，具有速度快，准确率高的特点。在具体的工作中，通过将轴承震动信号转化为滤波信号，再利用频谱分析仪进行数据分析，找出与故障相对应的频谱进行特征提取，完成故障的诊断。关键词：鼓风机轴承；信号分析；故障诊断目录TOC\o"1-3"\h\u摘要 绪论选题背景与意义现代工业加工技术的飞速发展离不开轴承制造工艺水平的不断提升，轴承在工业生产领域具有极高的适用范围。工业生产行业利用轴承使产品的生产有了更高的质量保障和更快的生产效率，降低生产成本的同时，为生产者创造更大的效益，生产者对生产工艺不断提出的更高的要求也促进了轴承在材料和技术上的进步和革新，有助于打破西方国家在这一领域的封锁局势，助力我国企业及相关技术的进步，为制造业的发展添加新的动力，实现制造业的自主创新。这一技术的广泛应用还能提高整个社会的生产效率，有助于人们创造更多的财富。轴承是一种精密度较高的零件，对于生产企业有着较高的技术要求，目前全世界能生产高精密度轴承的国家寥寥无几，而且高精度轴承却是诸多尖端科技领域如航天、核能等领域的重要部件，具有重要的价值。轴承技术发展的程度在一定程度上决定了工业自动化的整体发展水平。它的结构设计和它在设备运行中的第一要素就是保证其安全、可靠和良好的动态性能。因此，无论是理论研究还是实际应用，轴承相关技术的研究都具有重要的学术价值和社会经济效益。轴承是鼓风机的核心部件，通过轴承实现摩擦力的转换从而提高鼓风机的工作效率，使用轴承的同时也减小了零部件之间的机械摩擦，提升了鼓风机的使用寿命。为了进一步对轴承进行深入研究，本次设计选择了鼓风机来作为具体的研究对象，通过对它的轴承展开研究来完成本次的实验设计，轴承一般由四个部分组成，分别是内外圈、钢珠和保持架，一般轴承的内圈会直接与轴相连接，从而减小摩擦力。由于滚动摩擦的摩擦力小于滑动摩擦，所以人们使用轴承来降低机械零件之间的摩擦，这是轴承制造的基本原理。保持架的目的是为了增强轴承的稳定性，确保钢珠可以均匀的在内外圈之间分布。二十一世纪全球范围内的工业化进程快速推进，新技术和新材料的应用使得机械自动化装备的先进程度大幅提升，但是机械装备存在一个永恒的天敌—故障。机械故障从机械诞生之初就伴随着它，随着技术和制造水平的进步故障的发生率大大降低了，但是机械故障的发生是不可避免的，因此针对机械故障进行检测就具有十分重要的意义。据相关数据显示约有百分之七十的故障是由机械自身的振动引起的，特别是高精密度的零件，而这部分振动引起的故障中有一大部分是轴承损坏，可以说轴承是一个非常脆弱的零件，但是由于它的重要性，其发生故障时也会导致设备难以运行，严重的甚至会引发安全事故，为此针对其建立一套行之有效的检测系统及方法是具有极高的现实意义和社会价值的。解卷积算法研究现状鼓风机轴承故障的形成一般都需要经历一个过程，但是在早期时轴承故障产生的异常振动幅度较小，相应的信号也就比较微弱，难以被察觉，而且鼓风机的工作环境充满其他环境噪音以及自身产生的工作噪音，这都是导致故障前期难以发现的原因。为了可以在早期发现并排除故障，本次设计使用了最大相关峭度解卷积(MCKD)算法对噪声信号进行去除，在滤除噪声的情况下进行故障振动的检测。MCKD是最大相关峭度解卷积算法的英文单词缩写，下文用它来进行代指。在这种算法中相关峭度是准确性和有效性的重要参考指标。在对物体产生的原始信号进行分析时，原始信号的冲击分量会表现出时间特性，而MCKD算法就具有突出这一特征的作用。在当前的故障分析领域中，人们大量的使用到了MCKD算法进行早期的故障信号分析，这一方法同时也可以作为一种故障分析的工具来进行使用。举例说明，以唐贵基为代表的多名学者在鼓风机的早期故障诊断中，通过利用MCKD算法对早期振动信号进行分析以此达到故障诊断的目的[1-2]，以何玉灵为代表的多名学者在发电机的故障诊断中，通过MCKD算法对特征振动信号进行增强，实现了早期的故障诊断[3]，以冷军发为代表的多名学者在齿轮故障诊断中，通过利用MCKD算法实现了早期的故障诊断[4]。大量的实验结果表明MCKD算法在轴承振动信号分析方面的可靠性，为MCKD算法应用在轴承振动信号分析领域提供了大量的数据支撑。无独有偶，以赵洪山为代表的一批学者将MCKD算法作为一种有效的工具，通过用MCKD算法处理轴承振动信号，再进行变模分解，在风机轴承振动信号分析和故障诊断过程中进行了具体应用[5]。在分离原始信号中的低共振冲击成分之前，以何群为代表的几位学者首先对原始信号进行了稀疏分解，最后利用MCKD算法对低共振成分进行了计算和分析，突出了周期性脉冲成分和故障特征[6]。在振动信号的处理上，以隋文涛为代表的几位学者通过EMD算法获得了一组本征模态分量，然后以包络谱峰度和时域峰度为评价标准，找出相对敏感的IMF分量并进行重构，再利用MCKD算法处理重构后的信号，提取与轴承故障相关的信息[7]。为了解决在复杂和强噪声环境下很难从轴承的早期振动信号中提取故障特征的问题，一些科学家尝试使用最小熵去卷积算法来解决这个问题。最小熵解卷积方法最早是在1987年提出的。威金斯认为，该方法的核心是故障特征信号的"稳定性"，但这种"稳定性"不是固定的，故障特征与传递函数卷积后，熵值增加，需要以目标函数为工具，找到一个最优的滤波器令滤波后的输出信号熵值最低，从而找到初始的"确定"状态[8-9]。本文主要研究内容介绍鼓风机故障一般需要一个过程，但在故障初期产生异常振动时振幅较小，信号较弱，难以检测，而且鼓风机的工作环境中充满了其他环境噪声等干扰因素，这些都对故障前的检测造成障碍。在本实验中通过人工手段对设备造成单点腐蚀故障，并通过加速度来反映振动信号，反映振动信号的变化可以通过对其进行分析来完成。一般在电机壳体的驱动端和风扇端的12点钟位置安装加速度计。振动信号通过加速度计转换后传输到计算机，并通过计算机进行处理，比较滤波前后的频谱和包络谱以及故障特征，并以此为依据对轴承故障作出判断。本文的内容安排如下：第一章：背景介绍。通过鼓风机对轴承早期诊断的背景和意义进行了介绍，并详细介绍了国内外的研究历史和现状。第二章：研究主体介绍。对本次设计的主体鼓风机轴承进行了全面的分析，主要内容包括轴承的损坏形式和发生故障时的特征频率，为后文的设计打下基础。第三章：对本次设计所使用的主要算法进行列详细的介绍，介绍内容包括算法的理论基础和实际参数设置过程，本章首次提出了故障特征率的概念，并在此基础上分析了M、T、F与故障特征率之间存在的关系，通过分析对解卷积计算结果有效性的影响做出了较为全面的判断，这三个数字符号在文中分别代表列位移步长、解卷积周期、滤波器长度。在确定步长越小峭度越大后，确定步长为1，然后利用粒子群优化算法根据故障特征比寻找解卷积周期T和滤波器长度F的最佳组合。第四章：对实验所需的器材、实验的步骤进行介绍。主要包括信号采集、信号分析和信号诊断过程。在信号的处理和分析过程中使用到了粒子群优化算法，对其进行介绍。利用该算法对最优的滤波器长度和解卷积周期数进行搜索，然后对数据进行处理。同时对随机参数下最大峭度解卷积算法和最优参数下最大相关峭度积算法的处理效果进行比较，以此来验证粒子群优化算法的效果。结果表明，粒子群优化算法对信号的分析更加准确有效。鼓风机轴承故障诊断基础鼓风机轴承基本介绍定义鼓风机轴承（rollingbearing）是将处于运转状态下的轴跟轴承座之间产生的滑动摩擦转变为滚动摩擦的机械元件，能够有效的减少摩擦损失。结构组成轴承一般由四个部分组成分别是内外圈、钢珠和保持架，一般轴承的内圈会直接与轴相连接，从而减小摩擦力。由于滚动摩擦的摩擦力小于滑动摩擦，所以人们使用轴承来降低机械零件之间的摩擦，这是轴承制造的基本原理。保持架的目的是为了增强轴承的稳定性，确保钢珠可以均匀的在内外圈之间分布。轴承是鼓风机的核心部件，通过轴承实现摩擦力的转换从而提高鼓风机的工作效率，使用轴承同时也减小了零部件之间的机械摩擦，提升了鼓风机的使用寿命。一般情况下，内圈与轴组装在一起并随轴旋转。外圈通常装有轴承孔或机械零件的外壳，起支撑的作用。保持架用来固定滚动体位置，使其均匀的排列在内、外圈之间，而滚动体的主要作用是把内，外圈间的滑动摩擦转化为滚动摩擦。在机械设备运行过程中，鼓风机轴承可能会由于材质不当、润滑不良、过载过大或锈蚀等因素而发生破坏。但即使轴承在安装和润滑环节不存在缺陷，经过长时间的工作，轴承还是会出现裂纹、剥落、点蚀、磨损等现象，从而影响到整个机械设备的正常运行。轴承具体的结构图如图2-1所示。图STYLEREF1\s21轴承的典型结构如图2-1所示，其中：D——轴承节径（mm）D——滚动体直径（mm)——内圈滚道半径(mm)——外圈滚道半径(mm)——接触角轴承在工作过程中每个部分产生的振动频率存在差异，频率的差异规律通常是振动频率越往内越小。为了进行对比试验需要得到无损状态下轴承各部的工作频率，可以利用下列公式[10]进行计算： （2-1）式中：E-材料的弹性模量（MPa）；I—圆环中性轴截而二次矩（）G—重力加速度（）—材料密度（）A—圆环的截而积（）D—圆环中性轴直径（）N—节线数（变形波）。鼓风机轴承的故障特征频率的计算由于轴承故障的原因以及表现形式的多样性，为了更好的进行故障对比，需要对不同故障的特征频率进行计算并记录，作为对比的数据，本次计算的故障前提是钢珠未产生位移，轴承整体未受到超过载荷的力的作用而产生形变，其他部分均为产生相对位移，在这种状态下，通过下列公式对轴承各部分特征频率进行表示[11-12]：1）内圈旋转频率 （2-2）2）单个滚动体与保持架通过内圈上一点的频率 （2-3）Z个滚动体通过内圈上的一点的频率 （2-4）3）单个滚动体与保持架通过外圈上的一点的频率 （2-5）Z个滚动体通过外圈上的一点的频率 （2-6）4）滚动体上的某点通过内圈或外圈的频率 （2-7）5）保持架的故障特征频率 （2-8）鼓风机轴承的主要故障类型（1）表面点蚀。在鼓风机轴承不断工作的同时会使机械产生疲劳，钢珠在滚道中持续不断地保持高速运动，表面的载荷会产生接触应力，接触应力不断的作用使机械表面产生一定的疲劳度，当疲劳度超过一定的限制后会对机械表面造成损伤，这是零件表面产生细微裂纹的重要原因。但是在制造轴承时人们选择的材料一般会具有较高的强度，高强度的轴承材料使得微裂纹难以大范围的扩展，因此只能在一个点不断的加深，最终在表面引起点蚀，也就是常说的疲劳点蚀。任由疲劳点蚀发展，甚至会导致轴承表面出现剥落、凹坑的现象；在这种情况下继续工作会导致剥落面积增加。疲劳点蚀使轴承表面的载荷分布不均，从而产生冲击载荷，这也是轴承异常振动和噪声的主要原因之一。疲劳点蚀是所有的轴承都无法避免的。（2）表面磨损。轴承在工作过程中各零部件表面产生接触，接触就会导致零件出现磨损，正常状况下磨损是一个非常漫长的进程，但是当设备之间的润滑失效或者由周围环境不洁所产生杂质附着在设备的工作表面也会加快这一进程，从而导致设备的磨损加剧。磨损会导致表面的摩擦力增大引起更大的磨损，也会导致零件之间的接合出现缝隙，使零件的精度受到影响。同时它也是轴承异常振动和噪声的主要原因之一。（3）表面胶合。轴承的表面胶合是一种表面状态的形容，具体指零件表面在环境的影响下附着其它零件的金属材料表面，这种状况发生的原因通常是零件过度缺乏润滑以及高强度的工作带来的高温，高温会使零件表面的金属发生一定的融化从而附着到另一个表面之上，表面胶合状态较轻时只会发生轻度的粘结，通常表现为金属表面出现擦痕，当情况较为严重时轴承处于完全不能工作状态，对于零部件来说胶合是一种极为严重的损害。(4)构造断裂。部件开裂，断裂是机械轴承最危险的失效形式，造成这种失效的主要原因包括轴承材料强度低、热处理不当、超负荷运转；除此之外，下列情况也会引起构造断裂，错误的装配、不合理的轴承设计或各种原因造成的润滑性能不足等。(5)腐蚀。腐蚀是由水侵入轴承部件产生的化学反应引起的。由于金属的表面温度较低，处于休息状态的设备轴承表面同空气中的水蒸汽存在温差，会使其发生凝结形成小水滴并附着在轴承表面，若不注意保养，环境中其他会与水发生化学反应的物质会与设备表面接触，形成化学腐蚀。使金属表面生锈，严重时甚至会导致表皮脱落，从而导致增大设备面之间的摩擦力。(6)电蚀作用。鼓风机在工作过程中需要线路供电，且电流较大，当电流的强度超出一定限制会对设备产生放电。高能的电流会击穿润滑脂的保护膜形成高温，高温导致金属表面发生融化，使设备出现融焊现象。电蚀严重时会在轴承金属表面形成电流凹坑，增大设备面之间的摩擦力，对设备产生破坏。(7)塑性变形。当设备在低速运行时，轴承会产生间歇性的振荡，这种振荡的原因使设备产生不可逆的塑性变形。从力学角度讲不可逆塑性变形的主要产生原因是设备承受的挤压应力超过了设备可以承受的极限；同时当零件温度超出设备可以承受的温度极限时也会产生塑性变形；硬度大于设备本身制作材料的细小物体进入轴承内部并伴随轴承运动，会在轴承表面形成划痕，严重时也会造成轴承永久塑性变形。鼓风机轴承振动信号的包络谱分析包络谱分析是目前用于轴承、齿轮箱和涡轮机叶片故障诊断的主要工具之一。在使用包络谱分析时不能单独使用，要完成分析任务，还需要使用一个重要工具，它就是希尔伯特变换包络解调法。希尔伯特变换包络解调法的主要过程是对原始信号进行希尔伯特变换，得到一个新的信号，这就是解析信号，之后再利用傅立叶变换，分析后的信号的振幅需要作为包络信号使用。原始信号的包络分析是通过上述操作实现的。希尔伯特算法备受各领域学者和工程师的青睐，这是因为它具有解决以往算法复杂程度高的问题的能力[13-14]。希尔伯特变换简单易行的算法和效果显著的包络谱分析也被深入应用于机械零件振动信号分析的故障诊断中，这在一定程度上促进了工业制造业的进步。利用希尔伯特对原始信号进行变换转换后通过下列公式定义： （2-9）进过希尔伯特变换后的虚部通过上述公式进行整理可以得到一个新的解析信号 （2-10）上式中为解析信号，为它的的包络通过下列公式对其进行定义 （2-11）由于信号在传输的过程中难以避免的会被干扰，就是人们常说的噪声，它会导致信号的表达受到影响，通过包络谱分析的方法就可以将有价值的振动信号进行重点分析，从而找到故障状态下的设备频率特征并对其进行特征提取，这种分析方法在鼓风机轴承振动信号的分析中取得了显著的成效。在鼓风机轴承故障的诊断过程中，需要先进行鼓风机轴承振动信号的分析，通过系统分析对鼓风机轴承的故障特征频率进行提取，然后用希尔伯特变换分析所有振动信号的包络谱，并将包络谱峰值的对应频率与轴承的故障特征频率进行比较，根据比较结果的相似性和差异性确定设备故障的原因[15]。现实的工作中由于设备环境的复杂，存在诸多干扰因素，容易导致收集的信号失真，从而影响最终的判断结果，为此必须要对环境中无价值的噪声信号进行滤除，并从中筛选出有价值的信号进行特征提取，这一过程仅依靠希尔伯特变换得到的包络谱难以实现。为了提高故障分析系统对故障判断的准确率，不仅要滤除无价值的信号，还需要对有价值的信号进行筛选，将筛选之后的信号进行包络分析，可以最大程度的提升系统的准确度。基于此本次设计提出了关于原始信号的最大峰度解卷积处理法。包络谱和频谱直接观感上(振幅和频率)是一样的，只是表达出的信息不同。包络谱对冲击力的变化比较敏感，对冲击的强度和频率进行量化对振动信号的分析是十分重要的，超出规定范围的冲击力一般会表明有故障。对轴承振动信号的分析是包络谱分析的主要应用。本章小结本章的主要内容是介绍鼓风机轴承振动产生的基本成分和各种特征频率的计算以及包络谱的基本原理，为下面的鼓风机轴承故障特征提取和诊断奠定理论基础。最大相关峭度解卷积算法的基础理论与优化最大相关峭度解卷积算法是麦克唐纳[16]等人在二零一二年首次提出的，该算法一经提出就引起巨大的反响，这种算法具有对弱信号显著的凸显能力，同时应用了相关峭度作为该算法在分析振动信号时的评价标准。原始振动信号的影响存在周期性，而MCKD算法的优点是针对其特性展开关于影响的分析，将分析结果进行解卷积计算，需要注意的是此时会用到迭代的方法。这种算法对弱信号具有显著的凸显能力，对于环境噪声具有较强的抗干扰能力，在鼓风机轴承故障诊断中，人们就已将最相关峭度解卷积算法作为强有效的工具来使用。本次设计在鼓风机轴承振动信号分析和故障诊断中依据前人的经验，设计了加入参数优化后MCKD算法的故障诊断系统。最大相关峭度解卷积基本原理为了方便计算将零均值信号通过数字符号进行表达并列出和其存在关联的峭度函数表达式，具体如下，下式中T为自变量参数的周期: （3-1）通过分析上述公式存在的函数关系可知，当相关峭度等于峭度时周期参数T数值为0，峭度极其容易被信号中异于平常的脉冲所干扰，但相关峭度尽最大限度衡量了冲击成分的连续性，相对于峭度而言更强调脉冲的周期性。综上所述，相关峭度能更精准的测出信号中含有的特定周期的脉冲序列所占比重。对进行假设，假设其是一个冲击信号，对进行假设，假设其是一个实测信号，通过路径和周围环境时传输衰减后的响应，下列公式对该过程进行表达: （3-2）对进行假设，假设其是一个噪声，为了便于计算不将其纳入考虑范围之内，此时MCKD通过将信号输出从而使输入信号得到恢复，这个过程如下式所示: （3-3）T在中是长度为L的滤波器系数。本次设计使用信号的相关峰度作为最大相关峭度算法的评价指标，为了在MCKD算法的结果中显示连续的尖锐脉冲，最大相关峭度算法以作为评价标准，将相关峭度的优化结果作为最终的结果，从而达到连续尖脉冲在MCKD算法结果中可以明显的显示的目的。如下式所示: （3-4）由式（3）和式（4）可得到如下式: （3-5）上述寻优问题等于求解如下方程: （3-6）上式方程用矩阵的形式表述为: （3-7）其中： 整理式（3-7）可得: （3-8）由于已知： （3-9）最终的滤波器系数可通过式子（10）获得: （3-10）将最终滤波器系数代入式子（3-3），获得实际采集信号的解卷积信号最大相关峭度解卷积方法参数设置分析根据轴承外圈早期弱故障模拟信号的模型，通过生成轴承故障模拟信号，将最大相关峭度解卷积算法应用于轴承外圈故障模拟信号的分析和研究。轴承外圈故障模拟信号的构造表达式为： （3-11）其中，为幅值为1的周期性脉冲成分，衰减系数设定为700，共振频率设定为2000Hz,转频为25Hz，外圈故障特征频率设为31.25Hz，为第次冲击相对于特征周期的微小波动。为单位阶跃函数，为高斯噪声，噪声强度0.5，采样频率为20000Hz，分析点数为4096。仿真信号时域和频域如图3-1和图3-2所示，加噪信号的时域和频域如图3-3和图3-4所示，从这四张图中可以明显看出纯信号中原有的周期性冲击成分完全被强噪声所掩盖没有规律性。加噪信号经过最大相关峭度解卷积后，由图3-5，可以清晰的看到外圈故障基频及其2倍频突出，说明MCKD对于轴承微弱特征提取是有效的。图3.1轴承仿真信号时域图图3.2轴承仿真信号频域图图3.3加噪后轴承仿真信号时域图图3.4加噪后轴承仿真信号时域图图3.5信号经过最大相关峭度解卷积后的包络谱在使用最大相关峰度对信号进行反褶积处理时，存在三个主要的影响因素，分别是位M、T、F，这三者所代表的含义分别是移步长、反褶积周期和滤波器长度。下文内容将为这三个自定义参数制定相应的优化标准，标准将参考故障特征进行制定。断层特征比值和最大峰度反褶积二者之间存在正相关关系。先进行初始数值的设定，将M、T、F分别设为、1、100和150。在初始数值设定的前提下，将故障特征比取值为0.2487。故障特征比在反褶积周期和滤波器长度保持初始给定值的前提下，对其从1到6的位移阶跃值进行计算，计算结果在表3-1中进行展示。从该表的数据可以看出，当位移步长为1时，故障特征比的数值要比其他数值大得多，所以为了使最大相关峭度解卷积算法发挥最佳效果，固定位置移位步长的取值为1；固定位置移位步长为1，反卷积周期是初始故障特征比取值与滤波器长度关系的初始参数，具体的如表3-2所示。通过该表可知滤波器长度与故障特征比之间不存在明显的联系；当位置移位步长为1，滤波器长度为初始给定参数，故障特征比的取值与反褶积周期的关系如表3-3所示。通过该表可知反褶积周期与断层特征率之间不存在明显的联系。通过上文可知，当位移步长M为1时，故障特征比最大，最大相关峭度解卷积处理效果最好，由于滤波长度和解卷积周期存在不确定性，需要进一步优化F和T。表STYLEREF1\s3-SEQ表\*ARABIC\s11位移M与故障特征比的关系位移步长M123456故障特征比0.24870.24870.24880.24870.24870.2489表STYLEREF1\s3-SEQ表\*ARABIC\s12滤波器长度F与故障特征比的关系滤波器长度F220100200300400故障特征比0.24920.26810.24870.26350.29330.2669表STYLEREF1\s3-SEQ表\*ARABIC\s13解卷积周期T和故障特征比的关系解卷积周期T50100150200250300故障特征比0.23720.24480.24870.15250.33230.3421粒子群优化由3.1可知，滤波器长度和解卷积周期对MCKD算法的处理结果有重要影响，但这两个参数的具体数值尚不清楚。因此，只要能找到这两个参数的最优值，就能获得最佳的处理结果。本文采用遗传算法（GA）对这两个参数进行优化，找到故障特征率最大时的最优参数。粒子群算法是当前最新的在种群行为基础上优化并对寻优目标进行确定的一种仿生类进化算法，与人工生命，尤其是遗传算法、优化策略间存在特殊关系，粒子群算法的本质是在群智能理论基础上的一种随机全局优化算法，其优势在于全局搜索能力强、鲁棒性高，可解决神经网络上的各种弊端。因此，国内外专家选择结合神经网络与粒子群算法方式对目标识别进行研究分析。这三个原则的约束性对群体中的任何移动物体均有效。在Bold模型的帮助下，Kennedy与Eberhart两位学者在1995年对鸟类觅食行为模拟，下列是假设所处的环境：一片树林中鸟群正在随机寻找食物，将本区域内的食物数量设为唯一，且觅食开始之前所有的鸟均不清楚食物的位置，而清楚哪只小鸟与食物间的距离最短，可利用该条件明确每只鸟最初查找食物的具体方向。粒子群优化算法是在该模型基础上经过发展形成，主要在处理上述优化问题时使用。在此把鸟类觅食过程作为一种优化问题，所有鸟都是处理问题的一个解，而食物就是搜索过程中得到的最优解，面对的优化问题就是小鸟寻找食物的过程。利用优化函数即可对个体适应度值进行确定，然后使用适应度值对其质量高低进行判断，所有粒子根据下面的几个信息来修正它们下一步的飞行方向和距离。（1）：将数值完成初始化，假定粒子运行速度最大与最小分别由、表示，在区间内随机产生每个粒子的速度，然后设置初始惯性权重，学习因子和，同时还有具体迭代次数与种群规模大小。（2）：根据要求明确粒子全局极值与个体极值，可以通过求出粒子最佳适应度完成，并对全部的粒子i进行适应度值与个体最优值的比对，如果，则，并记录当前最好粒子的位置；对于每个粒子i，将其适应度值与全局最优值相比，如果，则，对目前全局最优位置进行保存与记录。（3）：通过下列公式对粒子的速度和位置进行更新：（3-12）（3-13）（4）：若结果符合要求即刻终止迭代，并输出最优值，反之需要向上一步跳转。适应度函数：故障特征比值法在对反褶积处理结果进行优化时，人们常用到故障特征比法[18]，这种方法通过准确找到T和F的组合来结果优化的目的，原理简单易懂。由于影响处理结果的参数存在组合，若是可以进行适当的挑选，就可以使鼓风机轴承的峰值故障特征频率在频谱中变得突出。由于包络谱同样需要遵循能量守恒原则，故障特征的振幅最大，因此故障特征频率的能量比例也最大。假设鼓风机轴承的故障特征频率为f，轴承的运行特性决定了故障频率是周期性出现的。为了更准确地表达故障特征，还应同时考虑包络谱的倍频和二倍频。因此，故障特征率可以下列公式进行定义： （3-14）上述公式中故障特征频率振幅平方的总和为E，包络谱的总能量为E*。,故障信号在包络谱中的幅值为，表示故障特征频率的次谐波及其边频的振幅;本次设计只针对故障特征频率的前三阶进行研究，通过下列公式进行： （3-15）鼓风机轴承的故障特征和特征频率之间存在对应性，即上述类型f，当鼓风机轴承发生故障时，很难人工确定故障类型。因此，在考虑了所有鼓风机轴承的故障特征频率后，提出并具体定义了故障特征比率： （3-16）根据上述公式，每个故障特征比都存在唯一的解卷积周期T和滤波器长度F的相对组合。在取最大值时，对应的解卷积周期T和滤波器大小F是最佳参数组合。基于粒子群优化最大相关峭度解卷积的算法流程利用粒子群算法进行寻优运算，制定详细的优化最大峭度解卷积算法流程图，具体运算流程如图3-6所示，根据流程图完成每一环节的运算工作。图STYLEREF1\s36优化最大峭度解卷积算法流程图一：对多个随机粒子进行初始化处理，假定种群规模大小为M，在给定区间内随机初始化粒子的位置和速度V，每个粒子的设为初始位置，中适应度值最好的设为；二：对所有个体适应度值求解；三：对比全部粒子的历史最佳位置适应度值、自身适应度值，假如得到的结果显示该适应度值较为理想，可选择该适应度值为本粒子个体上最优值，基于当前位置对个体历史最佳位置更新，反之不会发生变化；四：面向全部粒子对比自身适应度值与群体上历史最佳位置上的适应度值进行比较，若更好，则将其作为当前的全局最好位置，反之未出现任何变化；五：结合公式（3-12）与（3-13）更新粒子位置与运行速度；六：若取得的适应度值达到最佳或者超过预期设定的最高迭代次数后将其带入MCKD算法中分析，否则要向以上第二步返回；通常设定终止条件如下：（1）算法运行到设定的最高迭代次数；（2）算法获得一个理想的解；（3）次数固定的迭代上未找到改进解；（5）目标函数斜率趋近于0。本章小结本章主要讲述了MCKD算法的基础理论和相应的参数优化。由于最大相关峭度解卷积算法的有效性与准确度与主观选取的三个参数有关，因此分别讨论了M,T,L三个参数对解卷积算法精准度的影响，得到随着步长缩小峭度随之在增大的结论。因此步长为1时解卷积处理结果最佳，之后将粒子群算法的适应度函数定义为故障特征比，寻求两个参数F和T的最优组合，使得经过最大相关峭度解卷积后的信号在包络谱上具有更加突出的故障特征。鼓风机轴承故障实验信号分析实验装置以及信号采集过程为了体现数据的可靠度，本次设计使用国外知名大学公布的轴承实验数据作为风机轴承数据。试验需要使用到的具体的设备如下图4-1所示。该实验装置包括四个部分，分别是2马力电机、扭矩传感器/解码器、功率表、电子控制装置。整体的安装布局安照从左至右的顺序，其中电机的功率为1.5kW。本次设计选用了型号为SKF6205的电机轴支撑轴承作为测试对象。对其进行电火花加工并造成轴承单点损坏，形成点蚀故障。本文采用内外环故障数据如下，断层直径0.014英寸、断层深度0.011英寸、由于使用国外的数据，与要对其进行换算，按1英寸约2.54cm进行换算得出二者的尺寸分别为1.016和0.02794，单位毫米，每秒采集12000次数据，采样点设置为8,192个。轴的速度是每分钟1470转。风机轴承的具体参数为：风机轴承内圈直径、外圈直径、厚度、滚动体直径、中径分别为25、52、15、7.94、39.04，单位统一使用毫米。滚动体个数和轴转动频率分别为9个和24.5Hz。图STYLEREF1\s4SEQ图\*ARABIC\s11实验采集装置在本实验中，将人工加工点蚀故障固定在轴承外圈固定位置，从而建立不同位置的的点蚀断层，并对点蚀断层的影响进行定量研究，位置参考3、6和12点钟三个位置。用于振动分析的加速度信号是加速度传感器通过磁座吸附在驱动电机的轴承壳体和风扇端上。通过对数据记录器加速度信号进行采集，采集过程中注意对频率为48kHz的数据进行采集。电机功率和转轴转速由扭矩传感器/解码器测量，后续的数据文件在Matlab中进行处理。MCKD算法轴承故障诊断流程粒子群算法的寻求滤波器长度和解卷积周期的最优解时，通过初始化处理之后形成一定数量的随机粒子，全局最优解可以通过将粒子进行多次迭代获得，在进行每次的迭代时，粒子会对自己进行更新，通过选取两个极值来实现更新，两个值分别是个体极值和全局极值，个体极值是指粒子自身寻找获得的最优值，而全局极值是寻找种群获得的最优值，粒子群利用该极值搜索解空间上的最优位置，在下文进行详细的流程介绍：1）：将数值完成初始化，并设置相应的参数，完成设置后通过对参数的寻优找到最大故障特征值所对应的点。2）：根据要求明确粒子全局极值与个体极值，可以通过求出粒子最佳适应度完成。3）：对所有粒子所在位置与速度进行改变，判断完成位置、速度改变的粒子是否处于规定的区间内。4）：若结果符合要求即刻终止迭代，并对其进行分析处理，反之需要一步跳转。鼓风机轴承实测信号分析本部分通过点蚀试验对鼓风机轴承点蚀故障的信号进行了分析，采集了驱动端内外环在不同载荷下的数据，并对两组实验信号进行了分析。综合考虑，本文的重点研究对象是0.014英寸的断层直径。鼓风机轴承内圈实测信号分析对加速度传感器从驱动端内圈采集的信号进行故障分析，具体参数如下，载荷1马力，大约电机转速为1470转/秒，采集样品频率为12000Hz，点数为8192，转频24.5Hz，内圈故障特征频率132.92Hz。粒子群种群设置为10，进化次数为50。利用粒子群算法得到的寻优结果如图4-2所示，从图4-2中，可以看到初始种群产生后代的代数与故障特征比的规律性之间的关系。由于粒子群追求的是结果的最小值，而故障特征比越大，信号分解效果越好，所以结果处的最小负值就是最大的故障特征比。最佳参数滤波器长度F为137，解卷积周期为10，然后用最佳参数对信号进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s12粒子群算法的寻优结果图STYLEREF1\s4SEQ图\*ARABIC\s13原始信号波形图-内圈图STYLEREF1\s4SEQ图\*ARABIC\s14原始信号频谱-内圈图STYLEREF1\s4SEQ图\*ARABIC\s15原始信号包络谱-内圈从图4-3、图4-4以及图4-5中可以看出：图4-3中原始信号中混杂各种杂乱的冲击信号，无法提取有效信息。而在图4-5中虽然可以看到内圈故障频率突出，然而，其余的倍频峰值显然是杂乱无章的，受到噪声的干扰，没有相当的时间间隔，没有规律。因此，不能依靠它来进行准确的故障诊断。由此得传统的频谱、包络谱直接分析手段有时是无效的。由于最大相关峭度解卷积算法受到滤波器长度和解卷积周期两个参数的影响，处理结果受到主观影响，下面以随机参数F=100、T=150和粒子群算法找到的最优参数F=137、T=10进行对比。图STYLEREF1\s4SEQ图\*ARABIC\s16[100,150]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s17[137,10]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s18[100,150]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s19[137,10]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s110[100,150]参数组合信号包络谱图图STYLEREF1\s4SEQ图\*ARABIC\s111[137.10]参数组合信号包络谱图由上文得到了随机参数和最优参数，将二者进行对比可以发现：(1)两者的时域波形中都存在大量的杂波冲击信号，但在最优参数下，杂波影响明显较小，且信号的周期性明显增强。(2)如图4-10所示：随机参数的信号包络谱特征不明显，仅存在265.5Hz和528.1Hz两个明显的峰值且是故障的倍频，基频分量存在大量的噪声干扰无法得出有价值的信息，因此随机参数不能作为突出故障特征频率的有限参数。由于无法获取故障信息，不能对轴承进行有效诊断。(3)从图4-11最佳参数下的包络谱可以清楚地看出：故障特征频率的单频峰值为131.3Hz、二次谐波峰值为265.6Hz、三次谐波峰值为396.9Hz。另外，从包络谱中可以清晰地看到故障频率的其他倍频现象，进一步验证了参数优化MCKD对信号中微弱故障特征的较强提取能力。根据这些特征，就足以判断轴承故障发生的位置。为了进一步对其进行验证，使用EMD算法对同一内环故障信号进行了处理，得到了时域、频域和包络谱。虽然可以看到故障倍频的前三个峰值，但不如MCKD算法的包络谱准确。相对而言，在这种情况下，要想提升振动信号分析和故障诊断的有效度，就需要使用MCKD算法进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s112EMD分解IMF分量时域图图STYLEREF1\s4SEQ图\*ARABIC\s113EMD分解IMF分量频域图图STYLEREF1\s414EMD算法包络谱MCKD鼓风机轴承外圈实测信号分析对鼓风机轴承外圈实测信号进行故障分析，这里需要通过加速度计采集相应的信号，风机轴承故障特征频率为87.59Hz。将粒子群种群和进化次数为分别设置为10和30。粒子群优化算法的优化结果如图4-14所示：从图中可知，第23代故障特征比最大为0.3935。最优参数滤波器长度F取值为50，反褶积周期为57，然后用最优参数对信号进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s115粒子群算法的寻优结果图STYLEREF1\s416原始信号波形图-外圈图STYLEREF1\s4SEQ图\*ARABIC\s117原始信号频谱-外圈图STYLEREF1\s418原始信号包络谱-外圈同理内圈，观察以上三图可得：从图4-16中可见，原始信号中混杂着各种杂乱的冲击信号，进行有效信息的提取存在极大的难度。从图4-18可以看到：包络谱图像中周期无法确定，峰值同样难以准确地得出，因此无法进行有效，精准的故障诊断。由于最大峰度解卷积算法受参数F，T的影响，处理结果具有不确定性。因此将随机参数100和150与粒子群优化算法得到的最优参数进行了比较。图STYLEREF1\s419[100,150]参数组合信号波形图图STYLEREF1\s420[50,57]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s121[100,150]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s122[50,57]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s123[100,150]参数组合信号包络谱图图STYLEREF1\s4SEQ图\*ARABIC\s124[50,57]参数组合信号包络谱图通过将随机和最优两种参数进行比较可知：(1)在这两个时域波形中，都存在大量的假性冲击信号，但最优参数的抗干扰能力更强。（2）从图4-23可以看出：随机参数下的信号包络谱只有几个明显的波峰，不能得到特征频率，不能得出正确的故障诊断结论。（3）由最佳参数下包络谱图（图4-24），可以清晰得到：前三个峰值分别为87.5Hz、178.1Hz、265.6Hz，大致对应故障特征频率的单倍频、二倍频、三倍频。除此之外，故障频率的其他倍频也较为突出，可以在包络谱上清晰的看出，也进一步验证了参数优化MCKD对信号中微弱的故障特征有很强的提取能力。根据这些特征，足以判断轴承发生了内圈故障。为进一步说明方法有效性，用EMD算法对同样的外圈故障信号进行处理，得到的时域、频域以及包络谱如下，其中虽然可以看到前三个故障基频及其倍频的峰值，但不如MCKD算法包络谱中对故障信息提取的更加精确。相比较而言，此种情况下，MCKD算法对振动信号分析、故障诊断更加有效。图STYLEREF1\s425EMD分解IMF分量时域图图STYLEREF1\s426EMD分解IMF分量时域图图STYLEREF1\s427EMD算法包络谱本章小结这一部分介绍了实验过程，具体介绍了实验所使用设备的信号采集、分析和诊断过程。在搜索MCKD算法中滤波器长度和解卷积周期的最佳值的过程中。使用了粒子群优化算法的优化特性，并将故障特征率为适应度函数进行算法的寻优。为了验证最优参数的效果，对一组随机参数和最优参数进行了比较。结果表明，粒子群算法优化后的MCKD算法在这组数据处理中效果最好。同样，使用EMD算法对数据进行分解，包络谱中的故障特征不如MCKD优化算法，故障特征提取的准确性较差。结论本篇论文主要阐述了通过MCKD算法来对鼓风机轴承进行振动信号分析，并在MCKD算法基础上用粒子群算法进行优化，并与传统