基于全矢—盲分离的滚动轴承故障诊断方法研究

发布时间：2020-04-13 11:17

【摘要】：滚动轴承是各旋转机械中的核心部件,轴承产生故障将会严重影响机械设备的运行效率。然而机械设备通常是在强背景噪声的环境下运行的,滚动轴承在工况下的故障振动信号和故障信息常常淹没于噪声中,传统的轴承故障诊断方法很难有效的从噪声中提取出轴承故障特征信息。本文以滚动轴承在噪声背景下产生故障时的振动信号为研究对象,结合盲源分离和全矢谱的各自优势,研究了盲源分离方法进行轴承故障信号信噪分离的效果,并通过实验及仿真对信噪分离后的故障信号进行全矢信息融合,提取轴承故障特征实现轴承故障诊断。主要研究工作及内容如下:(1)介绍了独立分量分析的盲源分离方法和时间固有尺度分解方法的理论算法,采用时间固有尺度分解方法将故障信号进行多尺度分解得到多个PRC分量,解决盲源分离过程中观测信号数目少于源信号的问题。给出了时间固有尺度分解和独立分量分析的盲源分离方法的流程图,通过仿真实验验证了其信噪分离的有效性。(2)通过对单通道信号分析故障特征的不全面引入了基于同源双通道信号的全矢谱分析方法,并详细地阐述了其理论基础及数值算法。将全矢谱和独立分量分析的盲源分离方法(ITD-ICA)相结合,提出了新的轴承故障信噪分离的特征提取方法—全矢ITD-ICA方法,详细介绍了该方法的具体算法流程图,通过实验验证了该方法在轴承故障提取的有效性。(3)由于独立分量分析在处理非线性变化的信号还有一定的局限性,通过KICA与ICA仿真对比实验分析说明核独立分量分析具有比传统的独立分量分析更好的非线性处理能力和稳健性。提出ITD-KICA的盲分离方法,利用KICA消除信息冗余,提取有效独立信息分量,分离故障信号与噪声。再将该方法结合全矢谱,提出全矢ITD-KICA的方法,并详细介绍了该方法的具体算法流程,通过实验验证了该方法在更好的达到降噪目的的同时能更加全面准确的提取轴承故障信息实现轴承故障诊断。
【图文】：

框图,原理框图,源信号

12m向量，它的数学模型可以表示为X ( t) AS（t), m n t：由已知的 X (t)，在未知的条件下，求未离问题，它不要求对S 和有先验知识，所以分存在几个假设条件：源信号 s(t)i之间统计独立。数与观测信号数相同。号最多只有一个源是高斯分布的。和混合矩阵 A未知的情形下找到一分离矩独立的源信号，即Y ( t) WX（t)2.2）：的估计矩阵为，Y 为S 的估计。框图如下：

传感器,振动强度,椭圆轨迹

2 基于全矢 ITD-ICA 的滚动轴承故障特征提取方法研究存在不足，当某谐波的振动强度很大时图谱中的椭圆轨迹也很大，这样容易其他椭圆轨迹交叉，导致很多个椭圆混叠一起出现，从而出现图谱模糊、难分辨现象；于是韩捷教授在此基础上提出了全矢谱的概念，其特点是用各个波下椭圆的长轴表示振动强度，并把椭圆长轴命名为主振矢，，优势在于能够定各个谐波下的最大振动强度。.4.1 基本理论常见的传感器安装布局有两种方式：水平垂直、V 形，如图 2.2 所示。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】