呼吸裂纹转子—轴承系统HHT谱分析及故障特征量提取

发布时间：2020-05-07 06:33

【摘要】：旋转机械在各行各业均有广泛应用,转子-轴承系统是旋转机械的核心部件,也是转子动力学的重点研究对象。转子裂纹故障是转子-轴承系统的一种常见故障,对其动力学特征展开研究及进行故障特征量提取是十分必要的。本文将呼吸裂纹转子-轴承系统作为整体数学建模并进行了数值仿真计算,分析了系统的动力学特性。针对传统动力学非线性分析方法难以在低转速小裂纹下难以识别裂纹故障的问题,引入HHT分析方法并据此提取其故障特征量,以达到在低转速小裂纹时对故障进行有效诊断的目的。本文主要工作有:(1)对当前呼吸裂纹故障数学模型进行了总结研究,并基于中性轴偏移法对模型进行了简化。研究表明,与经典的裂纹模型对比可知,偏移中性轴模型在裂纹角较小时与综合模型差别不大,起始闭合角度由于中性轴产生了偏移,较综合模型而言增大,更符合实际情况;裂纹角较大时综合模型与余弦模型相似,而偏移中性轴模型裂纹全开区间有明显的增大,符合实际情况。(2)对呼吸裂纹转子-轴承系统动力学方程进行数值求解,主要对系统做了经典转子动力学非线性分析。研究结果表明:当呼吸裂纹转子两端加上受非线性油膜力影响的轴承之后,裂纹转子在转速为1/3、1/2倍临界转速时的亚临界共振现象消失,时域图、庞加莱图、轴心轨迹图及频谱图上均无法体现裂纹的存在;在高转速下系统的分岔图、瀑布图呈现出复杂的动力学特征,频率成分增多,多周期运动与拟周期运动交替出现。(3)对不同裂纹深度下的系统模型进行了 EMD分解,对分解出的前三高频率IMF分量分别进行HHT谱分析及边际谱分析,计算结果表明:随着裂纹的增大,其系统响应分解出的前二高频率IMF1、IMF2分量瞬时频率域增大,频率成分增多,幅值基本保持不变,而第三高IMF3分量整个时间域内频率保持稳定,幅值变化程度大,且随着时间的变化波动程度加剧,由此可知呼吸裂纹对系统的影响主要体现在HHT方法提取的低频分量上。(4)利用EMD方法提取的系统响应IMF分量,分别构造了不同的矩阵计算奇异值作为裂纹故障特征量,并对原始信号加入高斯白噪声模拟实际信号,研究表明以Volterra预测级数法构造的矩阵奇异值作为故障特征量在亚临界转速时对裂纹故障具有良好的敏感性和稳定性。
【图文】：

波形,分量,振荡模式

第一个条件，相较传统信号的定义类似于窄带信号，第二个条件目的在于控件，使其限制为局部限定，用来消除瞬时频率波动，该波动是由波形不对称造成的F 分量体现了数据内部的震荡模式，每个 IMF 只有一个振荡模式，没有复杂的波的，如下图为一个典型的 IMF 分量。

Volterra级数,预测法,绝对误差,预测值

图 2-3 （a）Volterra 级数预测法实际值、预测值（b）预测绝对误差(a) True and Predicted Values of Volterra Series Prediction Methods (b) Predicted Absol方程是著名的混沌时间序列，经计算可知，Volterra 预测模型在短时间内取度。由此可见该方法对于时间系列的预测具有很好的精度。2）神经网络预测模型构相空间后，建立神经网络预测模型进行预测在混沌动力学中是十分常见于混沌时间序列内部存在确定的规律性，其规律源于系统内部的非线性，序列中体现出相关性。目前神经网络预测技术已有广泛成熟的应用，本文也不做重点应用，因此仅简略介绍其步骤。经网络混沌时间序列预测的具体步骤为：建立网络，，确定嵌入维数 m 作为神经网络的输入个数。学习阶段，输入 N-1 个数值序列，不断修正误差，直到误差被控制在所需围之内。预测，将第 N 个数值输入神经网络，加权后输出即为预测值。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133

【参考文献】