滚动轴承磨损状态故障识别与诊断

发布时间：2020-05-27 20:02

【摘要】：滚动轴承是机械设备中旋转机械的关键部件,在汽轮机、发电机、压缩机、电动机、多关节机器人和精密数控机床等设备中,滚动轴承的运行状况直接决定了设备的精度和可靠性。磨损是滚动轴承不可避免的一种故障,轴承的间隙会随着磨损变大,粗糙度随之增加,轴承的精度也会随之降低,长时间的磨损更会导致滚动轴承出现内外圈等部位的故障。本文以深沟球轴承为例,研究了轴承磨损状态的仿真分析,磨损导致的故障轴承信号特征提取,以及轴承磨损状态的分类识别这三个问题,论文主要完成了以下工作:(1)使用SolidWorks对深沟球轴承进行了建模,将轴承模型导入到Adams中建立虚拟样机模型,通过调整滚动轴承模型的间隙设定来模拟轴承的磨损,仿真测试了轴承模型的加速度振动信号,从时域和频域的角度出发对振动信号进行了分析,提取了和滚动轴承磨损有关的特征参数,找到可以表征滚动轴承磨损状态的特征值。(2)分析了变分模态分解(VMD)算法的概念和原理,通过分解无冲击仿真信号和有冲击仿真信号验证了VMD算法的优越性并与经验模态分解(EMD)算法进行了对比,最后通过滚动轴承故障模拟实验台测试了一个由于磨损所导致内圈故障的滚动轴承,将VMD方法和EMD方法进行了对比,实验结果同样验证了VMD算法的优势。(3)通过分析马尔可夫过程和隐马尔可夫模型(HMM)的理论基础,相关概念和基本算法,讨论算法的实现过程以及相应解决问题的方法,最后通过滚动轴承故障诊断的实例详细的阐述了HMM模型在滚动轴承故障诊断中的基本应用方法和诊断流程。(4)提出了基于VMD-HMM模型的滚动轴承磨损状态识别方法,首先运用变分模态分解算法处理信号,提取出不同磨损状态的特征向量,然后计算各个状态特征向量的能量值比组成表示各个状态的特征向量序列,之后将向量序列输入到HMM模型中训练得到各磨损状态的HMM模型,将待测信号输入到训练好的HMM模型中即可进行诊断。最后,通过实际测试的滚动轴承全寿命周期振动信号进行了该方法的验证,并与常用的基于EMD-HMM、谐波小波样本熵-HMM方法进行了比较。结果表明,所提方法可以准确诊断滚动轴承的磨损状态。(5)在上述变分模态分解和隐马尔可夫模型的研究基础上,利用图形用户界面设计了滚动轴承磨损状态识别系统,之后使用实验数据验证了该系统的有效性,为滚动轴承的故障诊断系统研究开发提供了一个范例。
【图文】：

模型图,模型,轴承系统

轴承系统模型

模型图,滚动轴承,模型,性能参数

8图 2-2 滚动轴承模型624 的结构参数和性能参数如下所示：直径：8.5017mm径：0.8507mm径：0.8607mm：20：1.6539mm：7.5*10-3mm荷：936N荷：290N
【学位授予单位】：沈阳化工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】