基于声发射技术的超低速滚动轴承故障诊断研究

发布时间：2020-10-28 01:05

　　 作为各种旋转机械设备中广泛应用的机械部件,滚动轴承运行状态正常与否直接影响着整台机械设备的性能和安全。与常规轴承不同,大型重工业机械设备中使用的超低速滚动轴承,其结构和工作环境复杂,且往往承受较大的载荷,一旦发生故障,需花费大量的时间和精力去检修更换,造成较大的经济损失。因此,对超低速滚动轴承进行状态监测和早期故障诊断具有重要意义。声发射(Acoustic Emission,AE)技术是一种灵敏度高,且对动态缺陷敏感的新型动态检测技术,广泛应用于机械故障诊断领域。然而,由于超低速滚动轴承AE信号的非平稳性、不确定性和复杂性等特点,使得从AE信号中提取故障特征信息成为AE诊断的关键和难点。因此,本文以超低速滚动轴承为研究对象,通过电火花和线切割技术分别在滚动轴承的内圈和滚动体上预制了不同类型的缺陷(点蚀和裂纹),在模拟试验台上采集相应的AE信号,采用不同的信号处理方法对其进行分析。针对超低速滚动轴承的特征提取问题,分别研究了基于自适应噪声的完备集合经验模态分解(Compelete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)-能量熵和改进的变分模态分解(Improved Variational Mode Decomposition,IVMD)-样本熵的故障特征提取方法。针对故障模式识别与分类,建立了深度信念网络(Deep Belief Network,DBN)模型,对其进行故障诊断。将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和CEEMDAN方法应用于超低速滚动轴承AE信号处理中,与EEMD方法相比,CEEMDAN方法改善了分解的完备性,且具有较好的抗模态混叠性。利用相关系数和方差贡献率选取CEEMDAN分解的敏感固有模态函数(Intrinsic Mode Function,IMF)分量,计算其能量熵作为BP神经网络的特征向量进行模式识别,平均准确率高达94.13%,诊断效果较好。而将EEMD分解的敏感IMF分量能量熵作为BP神经网络特征参数的识别准确率仅为87.13%。采用改进的VMD样本熵方法对超低速滚动轴承的AE信号进行特征提取。对采集的AE信号进行EMD分解,利用相关系数和方差贡献率提取敏感IMF分量进行信号的重构;然后将敏感IMF分量数目作为VMD的模式数对重构信号进行VMD分解;并计算VMD分解的IMF分量样本熵作为BP神经网络的特征向量进行故障模式的识别与分类,识别准确率高达94.27%。此外,将改进的VMD能量熵和近似熵分别作为BP神经网络的特征向量,识别准确率为83.33%和90.67%,均低于样本熵作为特征向量的识别结果。建立DBN模型,对超低速滚动轴承进行故障诊断。DBN模型的训练迭代次数对其分类性能有较大的影响,随着迭代次数的增加,其识别准确率呈先增高再降低的趋势,表明迭代次数过多并不利于识别效果的提高。将EEMD和CEEMDAN分解的前9阶IMF分量能量熵分别作为DBN模式识别分类器的特征向量进行模式识别,两者的识别准确率均达到了90%以上,表明了DBN方法在超低速滚动轴承故障诊断中的有效性。其中,CEEMDAN能量熵作为特征参数的平均准确率高达99.33%,EEMD能量熵作为DBN模型输入向量的识别准确率仅为90.80%,明显低于CEEMDAN能量熵作为特征参数的识别率,说明故障特征的提取对DBN的性能也存在很大的影响。与经典的BP神经网络模式识别方法相比,DBN模型的深层结构能够更充分地学习数据集的特征信息,识别准确率更高,且稳定性较好。
【学位单位】：兰州理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TG115.28;TH133.33
【部分图文】：

图 1.1 滚动轴承常见的故障形式: (a)疲劳裂纹; (b)点蚀; (c)磨损; (d)塑性变形; (e)腐蚀;(f)胶合Figure 1.1 Common failure forms of rolling bearings: (a)fatigue crack; (b)pitting;(c)wear; (d)plastic deformation; (e)corrosion; (f)scuffing(1) 疲劳滚动轴承的内外滚道和滚动体表面既承受载荷又发生相对滚动时，在多次的扰动载荷作用后，从高应力或高应变的局部开始萌生裂纹并逐渐形成凹坑，在交变载荷的作用下，裂纹进一步扩展至临界裂纹尺寸，从而发生疲劳破坏。疲劳失效的形式主要有疲劳剥落(点蚀，麻点剥落)和疲劳断裂。(2) 磨损由于尘埃及外界异物颗粒的侵入，滚道和滚动体相对运动时会引起表面磨损，润滑不良也会加剧磨损，磨损使轴承游隙增大，表面粗糙度增加，降低了轴承运转精度，因而也降低了机器的运动精度，振动及噪声也随之增大[10]。(3) 塑性变形当轴承受到过大的冲击载荷或静载荷、或因热变形引起额外的载荷、或有硬

Figure 1.2 The principle diagram of acoustic emission detection technology声发射检测技术是通过仪器检测、记录、分析AE信号以及推断AE源的技术，其基本原理如图1.2所示。从声发射源发射的弹性波最终传播到材料表面，引起可以用声发射传感器探测的表面位移，然后这些探测器将材料的机械振动转化为电信号，继而被放大、处理和记录[19]。声发射是一种常见的物理现象，大多数材料变形和断裂时均有声发射信号产生。一般来说，对于不同的材料和不同的声发射产生形式，声发射信号的频率范围不一样，覆盖了次声频到超声频的频段。1.3.2 滚动轴承 AE 信号产生机理在滚动轴承故障初期，金属内的晶格发生弹性扭曲，从低能状态变为高能状态

6产生连续型AE信号。图1.3 声发射信号类型: (a)连续型声发射信号; (b)突发型声发射信号Figure 1.3 The type of acoustic emission signal: (a)continuous acoustic emission;(b)burst acoustic emission signal滚动轴承故障AE信号为数十到数百千赫兹分布的高频信号，传播过程中具有快速衰减特性。且故障源产生的信号经过一个或多个接触面，经折射、反射和散射后被AE传感器所接受，会产生一定的衰减，所以最后获得的AE信号特征非常复杂。不同部位及不同类型的故障，其AE信号的特性也是不同的，因此，可以通过AE信号的处理和分析，实现超低速滚动轴承运行状态的识别和评价。1.4 超低速滚动轴承故障 AE 诊断技术研究现状近年来，对于滚动轴承的状态监测和早期故障检测的研究越来越多，常见的检测方法包括振动法、有限元法、油液法和声发射等。其中
【参考文献】

相关期刊论文 前10条

1 邹建生;郝艳芳;;轨道车辆走行部滚动轴承故障分析及诊断方法[J];铁道机车与动车;2015年09期

2 赵春华;董海江;钟先友;;风电齿轮箱故障诊断的SVM参数优化[J];中国机械工程;2015年16期

3 李军;李青;;基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究[J];电机与控制学报;2015年08期

4 任宜春;翁璞;;基于改进Hilbert-Huang变换的结构损伤识别方法研究[J];振动与冲击;2015年18期

5 李艳峰;王新晴;张梅军;朱会杰;;基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法[J];上海交通大学学报;2015年05期

6 向丹;葛爽;;基于EMD样本熵-LLTSA的故障特征提取方法[J];航空动力学报;2014年07期

7 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

8 董文智;张超;;基于EEMD能量熵和支持向量机的轴承故障诊断[J];机械设计与研究;2011年05期

9 袁俊;沈功田;吴占稳;卢超;;轴承故障诊断中的声发射检测技术[J];无损检测;2011年04期

10 邓艾东;童航;张如洋;蒋章;高亹;;基于模态分析的转子碰摩声发射特征[J];东南大学学报(自然科学版);2010年06期

本文编号：2859338