滚动轴承故障特征的特性分析

发布时间：2020-09-29 22:41

　　滚动轴承因其运行精度高,价格低廉等众多优点而被广泛应用于大型机械,尤其是旋转机械中。滚动轴承的运行状态关乎整个机械系统运行的安全与可靠。因此对滚动轴承的故障诊断以及状态监测的研究十分必要。目前,众多学者提出了多种特征提取方法,然而并不是所有的特征都是有效的,或者是对于故障模式识别有效的特征并不适用于故障的状态评估。选择特征的有效性直接关乎故障识别以及状态评估的准确性。本文以滚动轴承为研究对象,应用现代信号处理技术,对滚动轴承的振动信号进行特征提取,并对故障特征在故障识别以及状态评估中的有效性给出评价指标,本文研究内容如下:(1)针对滚动轴承振动信号的特点,利用目前已经广泛应用于滚动轴承故障诊断领域的特征提取方法,从时域、频域、时频域以及熵特征等多特征域对振动信号进行特征提取。相较于传统的从单一域来进行滚动轴承故障诊断,从多个域提取故障特征,能够充分利用特征之间的差异性和互补性,更加精准且全面的反映出轴承的故障信息。(2)对故障识别特征的特性进行分析。采用距离评估算法评价特征对故障模式的敏感性。基于CWRU实验数据对提取的候选特征进行敏感性分析,选择出对于故障较为敏感的特征,如频域统计特征平均频率、重心频率以及多尺度样本熵等,并对敏感特征进行分析。(3)针对目前提取到的故障特征中,较困难地通过单一特征进行精准的故障模式识别,本文提出一种基于欧式距离的最大类间分离(MCS)的方法,对故障特征向量进行选择。该方法能够有效的选取在特征空间中具有良好类内聚集度和类间分离度的特征向量,达到较好的识别精度。针对不同工况下所选择的特征向量不同,通过统计分析选取一种特征既能够有效识别故障,对于不同工况又具有良好泛化性的特征。通过MFPT实验数据验证了MCS方法的有效性以及所选择特征的泛化性。(4)对状态评估特征进行特性分析。提出从区分性和趋势性两个方面对故障特征进行有效性的评价。以CWRU内圈故障数据为例,对故障特征在不同工况下对故障程度的趋势性以及区分性进行评价分析,评价结果表明,有效值与标准差,平均频率与频域特征13f,以及小波包节点能量百分比对故障程度具有良好的区分性与趋势性。考虑到实际工程中,轴承故障程度变化过程更为复杂,采用IMS全寿命轴承数据,以外圈故障的全寿命数据为例,对全寿命周期中特征的区分性和趋势性进行评价,对特征的变化趋势进行分析,验证了评价指标的有效性。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【部分图文】：

框架图,框架图,论文,故障特征

前滚动轴承故障诊断中所涉及到的故障特征提取、特征选择以及智能故障识别等方面的研究现状。第 2 章主要介绍了针对滚动轴承振动信号所采用的特征提取方法，主要从时域、频域、时频域以及复杂度熵等多个域提取故障特征，以期从更加全面的角度去发掘振动信号中所隐藏的故障信息。第 3 章主要介绍了故障特征在故障识别中的特性。提出基于距离评估对故障识别特征的区分性进行评估，筛选出对于故障模式敏感的特征；并提出基于欧式距离的特征选择方法—最大类间分离法（MCS）完成对故障特征向量的选择。将 MCS 方法与 LS_SVM 相结合完成故障模式识别。第 4 章主要介绍了故障特征在状态评估中的特性。提出从区分性和趋势性两个方面完成对故障特征对于故障程度的敏感性评估，并对优选出来的特征进行分析。同时利用最大类间分离法（MCS）和最小二乘支持向量机完成对故障程度的评估和识别。论文结构如图 1-1 所示。

能量分布,滚动轴承,经验模式分解

c）滚动体故障节点能量分布 d）外圈故障节点能量分布图 2-1 滚动轴承不同状态下的能量分布2.3.3.2 经验模式分解方法（Empirical Mode Decomposition，EMD）经验模式分解方法（Empirical Mode Decomposition，EMD）是另一种处理时变非平稳信号的一种时频域的方法，本质是对振动信号进行平稳化处理的一个过程。其基本思想是将原信号通过经验模式分解得到一系列固有模态函数（IntrinsicMode Function，IMF）之和，得到有限多个固有模态函数（IMFs），对每个 IMF通过解析信号的相位求导定义计算出有意义的瞬时频率及瞬时幅值，得到原时间序列的希尔伯特时频谱。其中每个 IMF 必须满足以下两点：第一，对于所有数据的极点数以及零点数相同或最多相差不超过一个；第二，上下包络线应关于时间轴的局部对称，换言之就是保证局部的极大值点与局部的极小值点的平均值为零。EMD 方法的基本原理如下：（1）对于原始信号 x (t )，找到其局部的极大值和极小值。将所有的局部极大值通过三次样条插值函数插值形成数据的上包络，同理，取所有的局部极小值

序列,复杂度,度量方法,近似熵

16图 2-2 基于 EMD 与 Lempel_Ziv 复杂度特征提取方法于近似熵所提出的一种改进的复杂度度量方法，有效而导致的计算结果不同的问题，具体的计算过程如间序列1 2{ } { , ,... }i NX x x x,给定嵌入维数 m，对原始维向量( ) { ( ), ( 1),..., ( 1)}, 1,2,...,i x i x i x i m i N m( ), ( )]mi X j 来表示 ( )mX i 与 ( )mX j 二者之间元素差值的0,1,.... 1[ ( ), ( )] (| ( ) ( ) |)maxm mk md X i X j x i k x i k

【参考文献】