基于振动信号的滚动轴承故障诊断与状态识别方法研究

发布时间：2020-06-05 20:56

【摘要】：滚动轴承作为旋转机械中应用最多且最容易损坏的部件之一,其运行状态的好坏对设备本身和生产活动都有着重大的影响,深入开展滚动轴承故障诊断和状态检测技术的研究,对于保障设备平稳运行、减少事故发生具有重要意义。本文以滚动轴承为研究对象,从振动信号分析入手,将变分模态分解的时频信号处理方法和支持向量机的模式识别方法相结合,研究一种用于滚动轴承的故障诊断和状态识别方法。首先,本文对滚动轴承的故障机理和常用分析方法进行了详细的论述。结合相关图形对滚动轴承的结构与类型进行简单的说明,在分析滚动轴承振动机理的基础上,对其故障类型及原因、故障特征频率以及常用分析方法等做了较为细致的分析,最后结合实际轴承信号对不同故障状态下的振动信号的特性进行了阐述。其次,研究了变分模态分解(VMD)这一时频信号处理方法并将其用于滚动轴承的早期故障诊断。在对VMD的相关原理进行阐述的基础之上,为了展现该方法对信号的处理效果,针对信号的模态混叠问题构造了相关仿真信号并引入经验模态分解(EMD)方法与其对比,通过对比两种方法对于仿真信号的处理结果展现出变分模态分解方法的优异性。针对VMD在使用过程中的参数确定问题,提出以观察中心频率和局部峭度极大值寻优相结合的解决方法,并在滚动轴承的早期故障诊断中进行了方法的验证。再次,研究了多种群遗传算法(MPGA)的支持向量机(SVM)的参数优化方法,并创建用于滚动轴承状态分类的MPGA-SVM模型。针对支持向量机模型中的参数选取问题考虑采用遗传算法进行优化,为比较标准遗传算法和多种群遗传算法的优化效果,通过寻优实例证实了多种群遗传算法的优化效果更好,最后将多种群遗传算法应用于SVM模型的参数优化问题,从而建立了用于滚动轴承状态分类的MPGA-SVM模型。最后,提出了一种基于VMD-SVD与MPGA-SVM的滚动轴承故障诊断方法。鉴于变分模态分解方法在故障特征提取中的优异表现,引入奇异值分解方法与其相结合形成一种基于VMD-SVD的故障特征提取方法,将该故障特征提取方法与上节构建的MPGA-SVM相结合从而提出一种基于VMD-SVD与MPGASVM的滚动轴承故障诊断方法。为了展现所提方法的应用效果,将其应用于两个轴承数据库的故障诊断,良好的故障诊断效果证明了本文所提方法的有效性。为了便于本文方法的展示与应用,在本文所提方法的基础之上,设计了相关的人机交互界面。
【图文】：

2 滚动轴承故障机理及分析方法2 Fault Mechanism and Analysis Method of RollingBearing滚动轴承是机械设备中应用较为广泛的轴承类型之一，由于工作环境复杂多变，是旋转机械所有部件中故障发生率较高的一种，，滚动轴承的运行状态好坏对整个机械的设备运行状态影响较多，研究滚动轴承的典型结构和相关故障诊断理论知识，有助于诊断和预防生产和使用中的各种轴承故障，具有一定的理论和现实意义。2.1 滚动轴承的结构与类型（Structure and Type of RollingBearing）滚动轴承一般由内圈、外圈、滚动体以及保持架这四部分组成，其结构图与轴向剖视图如下图 2-1 所示。

2 滚动轴承故障机理及分析方法承的运转状态主要是外圈保持静止，而内圈随轴转动。滚动体形、圆柱形以及鼓形等，其通过保持架被固定在内外圈形成的滚道运转，通过这种方式将摩擦形式由滑动摩擦转变为滚动摩擦，有提高。保持架除了有将滚动体固定于滚道之中的作用外，其结构动体可以等间距分布，此举也消减了滚动体之间的摩损。滚动轴前较常用的滚动轴承类型如下图 2-2 所示。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33

【相似文献】

相关期刊论文 前10条

1 邵岩;卢迪;杨广学;;分数阶傅里叶变换在轴承故障诊断中的应用[J];哈尔滨理工大学学报;2017年03期

2 乔世民;轴承故障诊断技术的发展[J];中国设备管理;1989年01期

3 鲍明;赵淳生;纪国宜;陈志强;;MDS-1轴承故障诊断系统[J];振动、测试与诊断;1989年04期

4 甄敬然;赵伟军;;基于经验模态分解和形态滤波的矿用轴承故障诊断[J];煤炭技术;2017年07期

5 沙美妤;刘利国;;基于振动信号的轴承故障诊断技术综述[J];轴承;2015年09期

6 山红伟;;煤矿机械齿轮和轴承故障诊断研究[J];科技致富向导;2015年17期

7 袁洪芳;姜宇萱;王华庆;;基于词袋模型和极限学习机的轴承故障诊断[J];测控技术;2017年02期

8 刘琦;;基于小波分析的轴承故障诊断研究[J];煤;2013年07期

9 苏明辉;薛光辉;赵国瑞;张明;;渣浆泵轴承故障诊断系统设计与应用[J];煤炭工程;2009年02期

10 江伟;;机车轴承故障诊断中的多智能传感器技术应用分析[J];铁路计算机应用;2008年03期

相关会议论文 前10条

1 刘锋;马怀祥;王亚涛;;基于共振解调的滚动轴承故障诊断[A];现代振动与噪声技术（第九卷）[C];2011年

2 徐新韬;王华庆;沈伟;李岭阳;杨晓;;基于信息融合与1.5维谱的轴承故障诊断方法[A];2015年中国机械工程学会设备与维修工程分会学术年会论文集[C];2015年

3 郜普刚;何田;林意洲;刘献栋;;基于局部均值分解的滚动轴承故障诊断[A];2010中国汽车工程学会年会论文集[C];2010年

4 李琳;张永祥;童艳;;基于声发射和高阶谱分析的滚动轴承故障诊断[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

5 高耀智;谭援强;;基于1(1/2)谱与小波分析相结合的滚动轴承故障诊断[A];2009年全国青年摩擦学学术会议论文集[C];2009年

6 任获荣;马亚男;李胜刚;;熵随机共振在轴承故障诊断中的应用研究[A];2012年陕西省焊接学术交流会论文集[C];2012年

7 沈路;周晓军;张杰;;基于形态非抽样小波与灰色关联度的滚动轴承故障诊断[A];2011年机械电子学学术会议论文集[C];2011年

8 曹亮;王景霖;沈勇;单添敏;林泽力;陈杰;;基于HMM的轴承故障诊断方法[A];“测试性与智能测控技术”——2018年中国航空测控技术专刊[C];2018年

9 陶岩;朱华;王万迅;贺勇;李刚;谢鸣;;国产状态监测系统在轴承故障诊断上的应用[A];2016年全国设备监测诊断与维护学术会议暨第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议论文集[C];2016年

10 陶新民;徐晶;杜宝祥;徐勇;;基于相空间奇异谱的SOM轴承故障诊断模型[A];第二十七届中国控制会议论文集[C];2008年

相关重要报纸文章 前1条

1 通讯员 蔡义杰 记者 唐先武;轴承故障诊断有了“透视镜”[N];科技日报;2001年

相关博士学位论文 前5条

1 梁瑜;地铁列车轴承故障诊断及在途诊断系统研究[D];北京交通大学;2014年

2 褚东亮;旋转机械故障信号分析及诊断技术研究[D];华北电力大学(北京);2017年

3 胡永涛;基于多特征融合及深度信念网络的轴承故障诊断[D];燕山大学;2017年

4 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年

5 周俊;机械故障信号欠定源估计与盲提取方法研究[D];昆明理工大学;2015年

相关硕士学位论文 前10条

1 彭刘阳;基于振动信号的滚动轴承故障诊断与状态识别方法研究[D];中国矿业大学;2019年

2 董德亿;基于输出信号相关性分析的轴承故障诊断方法[D];杭州电子科技大学;2018年

3 郑庆标;基于小波分析的轴承故障诊断系统的研制及应用[D];北京交通大学;2018年

4 谢乾坤;城轨列车轴承故障诊断试验系统设计与实现[D];长安大学;2018年

5 刘恩仁;风电机组传动链轴承故障诊断[D];华北电力大学(北京);2018年

6 徐剑涛;基于极点对称模态分解及改进支持向量机的轴承故障诊断[D];燕山大学;2018年

7 齐申武;基于振动信号分析的滚动轴承故障诊断及寿命预测研究[D];燕山大学;2018年

8 黄阳;基于振动信号降噪与分解的轴承故障诊断研究[D];西安理工大学;2018年

9 罗映莲;基于改进粒子群和SVM的电机轴承故障诊断方法研究[D];大连交通大学;2017年

10 黄建新;多传感器数据融合技术在轴承故障诊断中的应用研究[D];武汉理工大学;2006年

本文编号：2698603