作為旋轉(zhuǎn)機(jī)械中廣泛應(yīng)用的關(guān)鍵部件，汽輪機(jī)發(fā)電機(jī)組轉(zhuǎn)子系統(tǒng)和軸承的運(yùn)行狀態(tài)直接影響機(jī)械設(shè)備的性能甚至整個(gè)生產(chǎn)線的安全，深入開展汽輪機(jī)發(fā)電機(jī)組轉(zhuǎn)子系統(tǒng)和軸承等旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的研究，對(duì)于保障設(shè)備安全運(yùn)行、減少重大的經(jīng)濟(jì)損失和避免災(zāi)難性事故的發(fā)生具有十分重要的意義。然而，由于大多數(shù)旋轉(zhuǎn)機(jī)械的故障信號(hào)是非線性、非平穩(wěn)、時(shí)變信號(hào)的，導(dǎo)致機(jī)械設(shè)備的狀態(tài)特征信息無(wú)法直接體現(xiàn)出來(lái)，因此，選用正確的信號(hào)分析方法來(lái)提取故障信號(hào)中的特征信息一直是一個(gè)研究熱點(diǎn)。于是，研究學(xué)者提出了許多時(shí)頻分析方法，如短時(shí)傅里葉變換 (Short Time Fourier Transform, STFT)、小波變換 (Wavelet Transform， WT)、維格納-威爾分布 (Wigner-Ville Distribution， WVD) 等，但是這些時(shí)頻分析方法都存在缺陷，因此迫切需要研究新的旋轉(zhuǎn)機(jī)械故障診斷技術(shù)。本書對(duì)經(jīng)驗(yàn)?zāi)�態(tài)分解(Empirical Mode Decomposition， EMD)、局部均值分解 (Local Mean Decomposition， LMD)、固有時(shí)間尺度分解 (Intrinsic Time-scale Decomposition，ITD)、可變模式分解 (Variational Mode Decomposition，VMD) 方法的理論及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用進(jìn)行了深入的研究。主要研究工作和成果如下：
第一，研究了改進(jìn)果蠅算法 (Modified Fruit Fly Optimization Algorithm， MFFOA) 的支持向量機(jī) (Support Vector Machine，SVM) 的參數(shù)優(yōu)化方法，并建立了模式識(shí)別功能的MFFOA-SVM分類器新模型。首先，詳細(xì)闡述了支持向量機(jī)和果蠅優(yōu)化算法的理論研究，并對(duì)智能的果蠅優(yōu)化算法進(jìn)行了改進(jìn)，使得該算法的局部搜索能力逐漸增強(qiáng)，能夠提高覓食早期全局最優(yōu)解的概率，避免陷入局部最優(yōu)，覓食末期能夠達(dá)到最大的搜索精度，從而實(shí)現(xiàn)全局搜索能力和局部尋優(yōu)能力的平衡。其次,采用改進(jìn)的果蠅優(yōu)化算法優(yōu)化支持向量機(jī)參數(shù)，建立了MFFOA-SVM模型，解決了傳統(tǒng)選擇參數(shù)方法的缺陷，提高了參數(shù)尋優(yōu)的算法對(duì)機(jī)器學(xué)習(xí)的性能。
第二，針對(duì)EMD分解產(chǎn)生的模態(tài)混疊問(wèn)題，引入了EEMD分解算法來(lái)消除模態(tài)混疊的影響。仿真結(jié)果表明，EEMD分解算法可以有效地抑制模態(tài)混疊現(xiàn)象的發(fā)生，提高了EMD算法的分解精度。本書提出了基于EEMD、改進(jìn)果蠅算法優(yōu)化和支持向量機(jī)參數(shù)的軸承故障診斷方法，該方法利用EEMD分解故障信號(hào)，選擇基本模態(tài)函數(shù)(Intrinsic Mode Functions，IMF)的均方根值和重心頻率作為特征向量。為了提高診斷精度，采用改進(jìn)果蠅優(yōu)化算法優(yōu)化SVM參數(shù)，通過(guò)建立MFFOA-SVM模型，對(duì)所提取的實(shí)測(cè)信號(hào)的特征向量進(jìn)行訓(xùn)練和測(cè)試，并將其與EMD、MFFOA-SVM診斷預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，該方法提高了軸承故障診斷的正確率。
第三，研究了LMD、切片雙譜和SVM軸承故障診斷方法。該方法利用LMD分解故障信號(hào)，選擇其峭度值較大的乘積函數(shù)分量重構(gòu)故障信號(hào)，做其切片雙譜，進(jìn)一步降低高斯噪聲對(duì)故障特征頻率的影響，提取切片雙譜中軸承故障特征頻率1X、2X和3X數(shù)值做歸一化處理，得到一組特征向量。該方法利用支持向量機(jī)對(duì)所提取的實(shí)測(cè)信號(hào)的特征向量進(jìn)行訓(xùn)練和測(cè)試，并將它們應(yīng)用到軸承外圈點(diǎn)蝕、內(nèi)圈點(diǎn)蝕和滾動(dòng)體點(diǎn)蝕的故障診斷中。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地提取出故障特征頻率，并且對(duì)其故障類型做出準(zhǔn)確判別。
第四，研究了基于改進(jìn)固有時(shí)間尺度分解 (Modified Intrinsic Time-scale Decomposition, MITD)、改進(jìn)果蠅算法優(yōu)化支持向量機(jī)參數(shù)的轉(zhuǎn)子故障診斷方法，該方法信號(hào)處理具有自適應(yīng)性。該方法利用MITD分解故障信號(hào)，進(jìn)行Teager能量算子解調(diào)后，選取各個(gè)內(nèi)稟尺度分量 (Intrinsic Scale Component，ISC) 的特征向量。該方法采用改進(jìn)果蠅優(yōu)化算法優(yōu)化SVM參數(shù)，通過(guò)建立的MFFOA-SVM模型，對(duì)所提取的實(shí)測(cè)信號(hào)的特征向量進(jìn)行訓(xùn)練和測(cè)試，并將它們應(yīng)用到轉(zhuǎn)子不同的故障診斷中。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地提取轉(zhuǎn)子故障特征，實(shí)現(xiàn)轉(zhuǎn)子的故障診斷。
第五，研究了VMD、改進(jìn)果蠅算法優(yōu)化支持向量機(jī)參數(shù)的轉(zhuǎn)子故障診斷方法。該方法利用VMD分解故障信號(hào)，選擇其能量、偏斜度和峭度作為特征向量，通過(guò)建立的MFFOA-SVM模型，對(duì)所提取的實(shí)測(cè)信號(hào)的特征向量進(jìn)行訓(xùn)練和測(cè)試，并將它們應(yīng)用到同一故障不同程度的轉(zhuǎn)子診斷中。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)轉(zhuǎn)子故障的有效辨識(shí)，并且與EMD、ITD診斷方法相比更具有優(yōu)勢(shì)。