基于广义形态滤波的滚动轴承故障诊断研究

发布时间：2020-06-14 18:07

【摘要】：自工业革命之后,旋转机械设备的应用日益广泛,其能否安全运行对于企业的生产至关重要。滚动轴承作为旋转机械中最易损坏的部件之一,其运行状态监测成为了当前故障诊断领域广泛研究的课题。滚动轴承转子系统动力学行为具有非线性的性质,其产生的振动信号则具有非线性、非平稳性的特点;振动信号易受环境噪声的影响,这些问题增大了滚动轴承故障诊断的难度。因此,如何在复杂工业环境下,提取滚动轴承振动信号的特征,并准确识别故障类型,是一个具有实际应用价值的研究方向。为此,本文引入广义形态滤波方法,围绕信号降噪处理、特征提取和故障类型识别等问题展开研究,解决旋转机械故障诊断问题中的信号处理与状态识别等关键问题,主要研究内容包括以下几个部分:(1)提出基于自适应广义形态滤波与多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)的信号预处理与特征提取方法。针对广义形态滤波方法降噪效果不理想的问题,采用最小均方(Least Mean Square,LMS)方法自适应选择广义形态滤波的加权系数,自适应地对振动信号进行降噪处理。MRSVD对降噪后的振动信号进行分析,获得故障特征信息,通过Hilbert包络谱分析轴承故障类型。实验结果证明该方法能较好的提取到轴承的故障特征,验证了该方法的可行性和有效性。(2)提出基于互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波的特征提取方法。针对广义形态滤波方法难以分离出轴承故障特征的问题,采用广义形态交替闭、开的方法改进了广义形态差值滤波器,并与CEEMD方法结合实现信号特征的准确提取。实验分析了滚动轴承内、外圈故障信号,结果证明该方法能准确分离出轴承故障特征,具有工程实用价值。(3)为了提高复杂工况下轴承故障类型识别精度,提出了自适应广义形态滤波和GG(Gath-Geva)聚类的轴承故障诊断方法。与FCM聚类、GK聚类等方法对比,GG聚类方法具有更高的区分性,实验结果表明,采用GG聚类方法对故障特征样本进行聚类分析,提高了轴承故障类型识别的准确性。
【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
【图文】：

常用结构,元素

作用与利用小波方法处理信号时选择窗口函数类似。选择合适的结构元素往往影响到了滤波的效果，目前常用的结构元素包括：直线型、半圆形、三角形和矩形等，如图2.2所示。由于非对称结构元素对待测信号进行处理时容易产生偏移现象，因此通常选取对称性结构元素对信号进行处理。滚动轴承早期出现的大多为表面损伤类故障，其损伤部位随轴承运转与其他接触部分相互作用形成周期性的脉冲信号，相邻脉冲的周期即为缺陷周期。结构元素的选取准则就是要保障所捕捉的故障脉冲的完整性，因此“探针”的长度通常小于缺陷周期的宽度。由于滚动轴承故障信号是一维的离散信号，对其进行形态学滤波是为了抑制故障信号中的噪声干扰，便于后续分析方法能更清晰地提取轴承的故障特征。据相关文献的研究表明，直线型结构元素可有效保留信号的形状特征

形态滤波,信号,理想信号,权系数

图 3.1 自适应广义形态滤波待测信号为 ()()()0x n sn dn，其中: ()0s n为理想信号， d (n)为噪声信e( n ) s(n) y(n)： y( n)滤波输出信号， s (n)为期望响应。 e( n)为 s (n)与 y( n)之间的[()] GOCxn， [()]2y GCOxn，则()()()21ynanyniii 信号的均方差为：[][()()][()()()]22122 iiiE eEsnynEsnanyn LMS 算法，取单个误差样本平方 ()2e n作为均方误差 (()]2E en的估计权系数的导数

【参考文献】