基于全矢谱特征的滚动轴承故障诊断研究

发布时间：2020-04-25 15:10

【摘要】：滚动轴承是旋转机械最重要的零部件之一,也是最容易发生故障的机械部件,其运行状态直接关系到工业生产的安全。因此,分析滚动轴承振动信号,监测轴承运行状态,进行滚动轴承故障诊断,具有重要的理论研究价值和实际应用价值。滚动轴承运行的动力学行为具有非线性的性质,其产生的振动信号具有明显的非线性和非平稳性,且振动信号受强噪声等影响,大大增加了滚动轴承故障诊断的难度。论文针对基于单通道信息的频谱分析方法存在可靠性低、频谱幅值不突出的问题,围绕滚动轴承振动信号降噪处理、特征提取和故障识别等问题展开研究,解决旋转机械状态监测问题中的信号处理与状态识别等关键问题与技术难点,实现滚动轴承运行状态监测与故障诊断,研究内容如下:(1)针对基于单通道信息的频谱分析方法容易引起信息不全、可靠性低和频谱幅值不突出的问题,提出了EEMD和全矢包络谱相结合的特征提取方法。首先对双通道振动信号进行EEMD分解,然后根据峭度准则选取有效IMF分量重构信号,最后使用全矢包络谱融合双通道重构信号以完成轴承故障特征提取。该方法能够全面、准确地提取出特征频率,实验结果表明,较之单通道频谱分析方法,本文方法具有更高的可靠性。(2)针对根据峭度准则选取IMF分量,存在着分量选取不稳定的问题,提出了多特征选取的EEMD和全矢包络谱相结合的特征提取方法。该方法在EEMD和全矢包络谱的特征提取方法基础上,将峭度值与均方根值相结合构造为多特征指标,用以选取有效分量,避免了由单一指标分量选取方法产生的不稳定。该方法有效解决了IMF分量选取不稳定的问题,实验结果表明,较之单一指标分量选取方法,本文方法具有更高的稳定性和可靠性。(3)针对实际工业过程中滚动轴承振动信号受强噪声干扰,难以提取其故障特征的问题,提出了MCKD-EEMD和全矢包络谱相结合的特征提取方法。该方法在多特征选取的EEMD和全矢包络谱的特征提取方法基础上,将MCKD作为EEMD的前置滤波器,增强振动信号中的故障冲击成分,降低强噪声的影响。实验结果表明,该方法在强噪声背景下有效提取出了滚动轴承故障特征,相比于多特征选取的EEMD和全矢包络谱方法具有一定的优越性。本文以旋转机械中的滚动轴承为研究对象,进行了振动信号降噪处理、特征提取和故障识别等问题的研究,丰富了滚动轴承故障诊断理论的研究内容,具有一定的应用价值。
【图文】：

示意图,全息谱,示意图

图 1.1 全息谱示意图法存在着一定的局限性，如频谱分辨率不高。由于在全息情况以椭圆形式进行表示，，占图谱尺寸比较大，使得一张量有限，而当其频率差别较小时，还会出现椭圆轨迹混叠息谱方法的频谱图是以椭圆形式进行表示，因此很难与常ilbert 包络谱）进行结合。谱方法，美国 Bently 公司提出了基于信息融合的全频谱分析方是，将转子在各个频率下的轴心轨迹分解为做正进动和反正圆轨迹方向与转子运动方向相同为正进动，反之则为子的旋转频率相同。利用该方法对转子系统进行特征提取的正圆半径分别在正、负频率上表示出来，其半径大小代频谱结果就可以得知转子的进动方向，如图 1.2 所示。

示意图,示意图,谱分析方法,局限性

图 1.2 全频谱示意图全息谱分析方法，全频谱分析方法具有更高的图谱分辨率判断转子进动方向。但其仍存在着一定的局限性，如不能度。谱方法述方法存在的局限性，郑州大学振动工程研究所的韩捷教正交双通道信息融合的全矢谱分析方法。该方法是在全息上提出的，其主要思想是：转子的涡动现象是各谐波频率为一系列椭圆。其中用椭圆的长半轴来评价转子的最大振如图 1.3 所示。通过提取全矢谱主振矢的特征频率，即可许多研究学者已将其应用于滚动轴承的故障诊断，并取得[33]
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】