滚动轴承故障诊断及趋势预测方法研究

发布时间：2020-05-18 10:37

【摘要】：随着工业技术的迅猛发展,旋转机械正朝着大型化、高速化、复杂化、智能化的方向发展,作为旋转机械中广泛使用的关键通用零部件—滚动轴承,其运行状态是否正常,严重关乎整个设备的运行状态。实际工程应用中,由于滚动轴承的运行工况复杂,工作环境大多是高速重载,使得滚动轴承成为最容易损坏的机械零部件之一。本文以滚动轴承为研究对象,采用现代信号处理中的若干新方法,针对滚动轴承故障特征提取、滚动轴承复合故障诊断、滚动轴承运行状态监测与性能退化趋势预测三个关键问题进行了研究。主要工作内容如下:(1)针对滚动轴承故障特征难以提取的问题,提出基于IVMD和三点对称差分能量算子解调的滚动轴承故障特征提取方法。在介绍VMD基本概念和原理的基础上,通过仿真信号对VMD的信号分解能力进行了讨论。针对VMD参数K设置的问题,提出以BLIMF分量与原始信号间谱相关系数的最小值作为分解停止条件的改进变分模态分解(IVMD)方法,实现VMD分解过程中分解层数K的自适应确定。通过仿真信号与实验信号分析表明,将IVMD和三点对称差分能量算子解调相结合能够很好的提取出滚动轴承故障特征频率。(2)针对滚动轴承复合故障难以准确诊断的问题,提出基于MOMEDA的滚动轴承复合故障诊断方法。本文首先系统介绍了各种时域解卷积方法的基本原理。然后,通过仿真信号讨论了MOMEDA方法提取信号中连续周期性脉冲的能力。在此基础上,以多点峭度作为故障特征的量度,使用MOMEDA实现滚动轴承复合故障的诊断。(3)针对滚动轴承性能退化趋势难以有效预测的问题,提出基于VMD能量熵模糊粒化和SVM的滚动轴承性能退化趋势预测方法。该方法以VMD能量熵作为滚动轴承性能退化的特征指标,将模糊信息粒化和SVM相结合实现滚动轴承性能退化趋势的准确预测。本文同时分析了VMD方法中参数K对VMD能量熵的影响。通过轴承全寿命实验数据证明了本文所提方法的有效性和准确性。
【图文】：

均匀分布,滚动轴承,基本结构

如图1.1 所示，轴承外圈一般情况下固定在机械设备的轴承座中，内圈一般与与轴颈相配合随轴一起转动，滚动体通常在内外圈滚道之间转动，维持内圈和外圈之间的相对运动，保持架使滚动体均匀分布，避免脱落[4]。滚动体的数目、形状和尺寸决定了滚动轴承的承载能力。图 1.1 滚动轴承基本结构Fig 1.1 Basic structure of rolling bearing1.3.2 滚动轴承常见失效形式及故障特征频率计算公式实际工程应用中，由于滚动轴承的运行工况复杂多变，工作环境大多是高速重载，加之安装使用不当、维护不及时和润滑不良以及自身制造缺陷，使得滚动轴承成为机械设备中的易损件之一。根据滚动轴承的组成结构，其故障可分为内圈故障、外圈故障、滚动体故障、保持架故障，或者是上述二种或多种故障同时

频谱,滚动轴承,实验台,驱动端

数据为研究对象[122]，，该中心的滚动轴承故障试验动电机、测力计、转矩传感器和电子控制装置。分别为驱动端和风扇端，轴承型号为: SKF6025-驱动端的传感器、电机风扇端的传感器、试验台源于驱动端加速度传感器。使用电火花加工技术，电机转速为 1750r/min, 故障直径为 0.1778mm，采样时间 0.5s。根据此时的电机转速计算得到内圈机转频 fr=29.16Hz。滚动轴承的有关参数如表 2信号波形与频谱如图 2.24。表 2.3 滚动轴承的参数Tab2.3 Parameters of rolling bearing 外圈直径厚度滚动体直径节径 d 接触角 52mm 15mm 8.18mm 39mm 0
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】