基于振动信号非线性方法的轴承故障诊断研究

发布时间：2020-04-25 02:31

【摘要】： 滚动轴承在旋转机械中应用广泛,是较易损坏的零件之一。它的运行工况直接影响着机械系统是否能够正常运行。滚动轴承故障信号是非平稳、非线性的,而且因受到随机噪声的干扰而难以检测。针对这种状况,本文将小波软硬阈值折中消噪法、时频分析的新方法——希尔伯特黄变换(HHT)和模式识别的新技术——支持向量机(SVM)相结合应用于滚动轴承故障诊断中。HHT分析法包含经验模态分解(EMD)和希尔伯特谱分析两部分。基于HHT的这一特点,提出了两种不同的方法提取故障信号特征来进行故障诊断。一种是基于Hilbert边际谱的故障特征频率提取的故障诊断方法。采集的故障信号首先进行消噪预处理,然后经过自适应的EMD分解和Hilbert变换得到故障信号的Hilbert边际谱,从而获得轴承故障的特征频率进行故障诊断。另一种方法是基于EMD的IMF能量特征向量提取和支持向量机相结合的智能诊断方法。该方法是把消噪后的振动信号进行自适应性的EMD分解得到的若干个固有模特态(IMFs)分量,然后提取IMFs的能量特征向量作为支持向量机的输入进行故障诊断。在Matlab平台上对滚动轴承故障信号的仿真结果表明:与直接进行HHT分析相比较,小波消噪和HHT分析法相结合的方法能够更有效的提取滚动轴承的微弱故障特征信息,并且结合支持向量机能够在小样本的情况下精确的对滚动轴承的工作状态和故障类型进行智能识别。
【图文】：

频谱图,内圈,频谱图,缺陷

递途径都在不断变化，当内圈缺陷离传感器距离最近时振动冲击最大，而且随着与传感器距离的加大，振动冲击逐渐向两边衰减。如图2.3所示，内圈缺陷振动信号时域波形的振幅大小发生明显的周期性的变化，即发生振幅调制;在信号的频谱图中，低频带内的变化并不十分显著，但在某一中频带出现大量峰群，能量基本上集中在中频段。图2.3内圈缺陷时振动时域波形图和FFT频谱图

最优分类面

{图5.1最优分类面图5.1中，方块和圆圈分别代表两类样本，其中H为没有错误率的分类线，，私、从分别为两类样本中离分类线最近的点且平行于该分类线的直线，它们之间的距离叫做分类间隔(margin)。线性可分的情况下，存在多个超平面(H”erplane)(如:Hl，H2·…)使得这两类被无误差的完全分开。这个超平面被定义为: W.X+b==0(5.1)式中，W.X表示内积 (dotproduet)，b是标量。最优分类超平面 (OPtimalHyperPlane)是指两类的分类空隙最大
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TH133.33;TH165.3

【相似文献】