机器学习驱动的旋转机械故障智能诊断研究

"这篇研究论文探讨了基于机器学习的旋转机械故障诊断方法，特别是针对轴承的早期故障特征提取和智能诊断。文中提出了自适应互补集总经验模态分解（CEEMD）与完备CEEMD的方法，以解决经验模态分解（EMD）的端点效应、拟合过/欠冲和模态混叠问题。此外，还结合Teager能量算子和最优变分模态分解（OVMDE）来提取大型低速重载机械设备的早期故障特征。这些方法通过模拟和实测信号的实验验证，显示出了在检测微弱冲击信号和提取特征频率方面的优越性。" 本文深入探讨了旋转机械，特别是轴承的故障诊断问题，这在众多关键行业中具有重要意义。随着机械设备的复杂性和高速化，有效的故障诊断方法变得越来越必要。机器学习和人工智能技术的引入，为解决这一问题提供了新的思路。作者针对EMD方法的局限性，如端点效应、拟合不足或过度、以及模态混叠，创新性地提出了改进的CEEMD方法。这种方法通过结合最小二乘互相信息的网格搜索算法和同伦最小二乘支持向量双回归，以及保形分段三次样条插值，有效地解决了这些问题，增强了对早期故障特征的检测。 对于大型低速重载机械，由于其故障特征往往微弱且稀疏，研究提出了Teager能量算子与OVMDE的联合应用。Teager能量算子可以增强故障冲击信号，而OVMDE则有助于从复杂信号中分离出故障特征。这种组合策略在预处理和特征提取上表现出色，为早期故障检测提供了强有力的技术支持。 通过大量的实验，包括对仿真和实际振动信号的分析，证明了提出的机器学习驱动的故障诊断方法的有效性和准确性。这些研究成果不仅对提高旋转机械的运行安全性具有实际意义，也为未来相关领域的故障诊断技术发展奠定了理论基础。