基于改进LMD和多尺度熵能量的风机滚动轴承故障诊断方法

发布时间：2020-10-27 01:46

　　 风机作为常用的旋转机械之一,具有气体压缩和气体输送的功能,由于其在多领域都有着重要作用,因此对风机的运行状态监测十分重要。滚动轴承作为风机的主要部件,也是最容易出现故障的地方,其状态同样会影响风机的运行状况,一旦出现故障会引发严重后果,因此,对滚动轴承进行监测和故障诊断是该领域的热点和难点。基于此,本课题以风机滚动轴承为研究对象,针对轴承的单一故障与复合故障进行研究,根据轴承振动信号研究了一种基于改进LMD和多尺度熵能量的风机滚动轴承故障诊断方法。主要做了以下几方面的研究:(1)基于分层自适应小波与改进LMD的轴承故障信号降噪方法研究针对滚动轴承振动信号易受到噪声干扰的问题,研究了一种基于分层自适应小波与改进LMD的轴承故障信号降噪方法。首先进行轴承的时域信号小波分解,获得各分解层的小波系数;之后对小波系数采取分层自适应阈值方法并重构;最后对重构的信号进行镜像均值延拓的LMD分解,并选取相关的PF分量。通过仿真实验表明:该方法在降噪的同时保留了更多的故障信息,更有利于轴承故障信号的降噪。(2)基于多尺度熵能量的轴承故障信号特征提取研究针对滚动轴承复合故障特征相近、不易区分的问题,研究了一种基于多尺度熵能量的轴承故障信号特征提取方法。首先对相关PF分量重构,并对重构信号粗粒化,计算粗粒化时间序列的MSE;之后对相关PF分量计算能量,获得不同频段的能量波动;最后将MSE与能量结合构建MSEE。通过仿真实验表明:该方法与单独使用MSE和能量的特征提取方法相比,能够定量表征滚动轴承复合故障信号的特征,加大轴承故障之间的区分度,更有利于轴承故障信号的特征提取。(3)基于LSSVM的轴承故障诊断研究针对滚动轴承复合故障特征相互耦合、表现多样的问题,研究了一种基于LSSVM的轴承故障诊断方法。首先,用给定参数对已知类别的训练样本进行LSSVM的模型训练;之后,采用PSO-10-fold CV方法对LSSVM训练模型中的参数进行优化,寻找最优参数,更新LSSVM分类模型;最后,将测试样本的特征向量作为LSSVM的输入并对测试样本模式识别,达到故障诊断的目的。仿真结果表明:该方法不仅分类精确而且耗时较少,对滚动轴承故障具有更有效的故障诊断的效果。(4)基于改进LMD和多尺度熵能量方法的实验验证为了验证基于改进LMD和多尺度熵能量方法的有效性,选择在MFS机械故障综合模拟实验台上进行实验。以滚动轴承为研究对象,通过更换故障轴承来获得实际的振动信号,并在轴承故障信号上进行实验。实验结果表明,该方法对滚动轴承早期的故障信号有较好的敏感度,有良好的模式识别效果,适用于滚动轴承的故障诊断。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【部分图文】：

北京工业大学工程硕士专业学位论文 1221 21 0.5cos 9 cos 200 2 cos 103cos 20 6x t t t tx t t tx t x t x t 2x t 和 x t 的仿真信号波形如图 3-9 所示。

- 34 -图 3-10 x(t)进行 LMD 分解后的波形Fig.3-10 The waveform of x(t) after LMD decomposition3-10 可以看出，PF1 分量分解出的是 1x t 的波形，PF，但是在右端点处有明显的偏差，致使分离出的分量和误差会影响对信号的进一步处理，因此需要对 LMD 的

表达式如下：x t 1 0.4t sin40 t cos6 t(3-31)其中，t 0,1 。图形如图3-11 所示，其中，极值点用红色圆圈标出。可以看到，信号的左右端点处的部分不是极值，然而由于信号长度是有限的，它们都被判断为极值点，参与求取局部均值函数和局部包络函数。图 3-11 仿真信号和极值点Fig.3-11 Simulation signal and extremum point镜像均值延拓就是以离端点处最近的极值点作为镜面，首先判断该处极值点是极大值还是极小值，之后选择与他最近的两个相反极值，并作均值处理，得到的均值作为端点处的更新值，具体过程如图 3-12 所示。图 3-12 镜像均值延拓方法Fig.3-12 Mirror mean extension method
【参考文献】

相关期刊论文 前10条

1 李红延;周云龙;田峰;李松;孙天宝;;一种新的小波自适应阈值函数振动信号去噪算法[J];仪器仪表学报;2015年10期

2 石瑞敏;杨兆建;;基于LMD能量特征的滚动轴承故障诊断方法[J];振动.测试与诊断;2015年05期

3 田晓春;陈家斌;韩勇强;宋春雷;杨黎明;;一种优化的小波阈值去噪方法在行人导航系统中的应用[J];中国惯性技术学报;2015年04期

4 吴光文;王昌明;包建东;陈勇;胡扬坡;;基于自适应阈值函数的小波阈值去噪方法[J];电子与信息学报;2014年06期

5 张龙;黄文艺;熊国良;;基于多尺度熵的滚动轴承故障程度评估[J];振动与冲击;2014年09期

6 刘晓光;胡静涛;高雷;李逃昌;白晓平;;基于改进小波阈值的微机械陀螺去噪方法[J];中国惯性技术学报;2014年02期

7 胥永刚;孟志鹏;赵国亮;;基于双树复小波变换的轴承复合故障诊断研究[J];仪器仪表学报;2014年02期

8 蒋永华;程光明;阚君武;宣仲义;马继杰;张忠华;;基于NGA优化SVM的滚动轴承故障诊断[J];仪器仪表学报;2013年12期

9 郑近德;程军圣;胡思宇;;多尺度熵在转子故障诊断中的应用[J];振动.测试与诊断;2013年02期

10 徐桂云;蒋恒深;李辉;阮殿旭;;基于PCA-RBF神经网络的WSN数据融合轴承故障诊断[J];中国矿业大学学报;2012年06期

本文编号：2857837