基于智能方法及同步压缩技术的滚动轴承故障诊断研究

发布时间：2020-11-14 11:56

　　 现代工业迅猛发展,作为最重要设备结构之一的旋转设备日益趋于大型化、智能化,同时应用领域也不断扩大,涉及工业、能源、交通、船舶、航空等众多行业,与国民生产安全紧密相连,一旦这些设备发生故障,在一定程度上可能会造成事故,造成巨大的经济损失和社会影响,甚至危及人身安全。“中国制造2025”规划更是将提升产品质量,提高重大装备可靠性(质量稳定性)规划为八大战略行动计划之一。因此,针对旋转设备的故障诊断就变得意义重大。轴承是旋转设备中最常见的结构之一,本课题以此为研究对象,深入研究现有技术积累,总结前人经验,展开转动机器故障诊断的相关原理、新方法以及新技术的研究。1.课题研究同步压缩小波变换算法,将其引入滚动轴承故障诊断中,首先搭建滚动轴承故障实验平台采集滚动轴承故障数据,使用小波变换对其进行分析后,再使用同步压缩对小波变换后的系数进行压缩,对比短时傅里叶、小波变换,实验结果证明同步压缩小波变换能够有效提取出滚动轴承特征频率;2.课题使用滚动轴承实验平台采集受强噪声影响的滚动轴承故障信号,并降低滚动轴承故障伤口尺寸,使用经验模式分解、局部特征尺度分解、变分模态分解对信号进行处理降噪,同时使用最大峭度指标优化VMD算法,再使用同步压缩小波变化算法对有效分量进行处理分析,对比包络、同步压缩小波变化算法处理结果,证明该方法能够有效抑制噪声,提取滚动轴承特征频率;3.使用近似熵作为滚动轴承故障信号的特征参量,并将局部特征尺度分解算法引入核极限学习机。使用局部特征尺度分解算法将信号进行分解,计算每个分量的近似熵值,选择一部分近似熵进行训练,将剩余数据作为测试数据进行测试,实验结果验证该方法能够有效判段滚动轴承常见故障现象。
【学位单位】：江南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【部分图文】：

图 2-1 滚动轴承结构 图 2-1 是滚动轴承典型的结构图，主要参数包括：(1)外圈半径2r ，外圈滚道的半承节径 D，经过滚动体中心点形成的圆的直径；(3)内圈半径1r，内圈滚道的动体直径 d，滚动体的直径；(5)接触角 ，内圈和外圈滚道的垂线与滚珠受力直线的夹角；（6）滚动体数量 Z，滚动体的个数。 假设：（1）滚动体与其滚道间无相对滑动；（2）轴承承受载荷时无变形；（3）回转频率为if，外圈为of，保持架为cf。 由可以得到轴承工作过程中各点的转动速度： 点的速度：12 ( cos )i i iV r f f D d （点的速度：22 ( cos )o o oV r f f D d （架点速度：22 ( cos )o o oV r f f D d （式 2-3 可获得滚动体公转频率： 1(1 cos ) (1 cos )2 2i oc i oV V d df f fD D D （滚动体经过外圈的频率：

o 90时，上述滚动轴承为止推轴承，此时内圈和外圈相对转动是一致的，滚动体通过滚道时的频率为：12oc rZf Zf；相对保持2rDfd 。 常工作状态时的滚动轴承也会产生振动：（1）自身结构导致的振体数量不一，所受刚度会改变，直接致使轴心波动；（2）刚度呈：轴承刚度通常情况下为非线性，在深沟球轴承中，当润滑不到；（3）制造装配过程中所引起的振动：工件表面加工时的波纹度引体体积不一引发的轴心摆动、装配时轴承偏离中心时产生的振动承偏移等；（4）滚动轴承声响：轴承在工作过程中会伴有振动产会一种声音，而代表轴承的状态的信息则会包含在这种声音中。工作时就会产生较为复杂的声音，而当其发生故障时，这种声音动频率承工作时，滚动体会与周围接触面接触并伴有冲击产生，振动也的振动的频率称为固有频率。为在这个过程中内外圈振动的现

第二章 滚动轴承故障诊断研究 2522( 1)9.4 101nh n nfbn 体的固有频率为： 0.212bnEgfR 中R 为滚动体的半径。 动轴承振动测量与诊断故障诊断领域中，测点的布置尤其重要。滚动轴承在发生故障后会产生频率，其振动由发生的开始成半球形向外扩散，依次通过零件、轴承座能量每通过一次零件损失约 80%，因此，测点因尽可能选择靠近发生点失。由于振动特性在不同方向会有所不同，因此根据数据分析应尽可能、垂直方向、轴向这三个方向上进行测点的布置[22]。
【相似文献】

相关期刊论文 前10条

1 屈强;尉宝元;;197726型滚动轴承故障产生原因及对策[J];京铁科技通讯(太原刊);2002年01期

2 陈松;陈立爱;;经验模态分解和神经网络在滚动轴承故障诊断中应用研究[J];安徽建筑大学学报;2016年04期

3 倪安福;;基于包络谱分析的滚动轴承故障诊断方法研究[J];煤矿机械;2017年02期

4 秦波;孙国栋;陈帅;王祖达;王建国;;排列熵与核极限学习机在滚动轴承故障诊断中的应用[J];组合机床与自动化加工技术;2017年02期

5 李卫;;非平稳工况的滚动轴承故障特征研究新方法[J];机械设计与研究;2017年01期

6 汪治安;夏均忠;但佳壁;于明奇;吕麒鹏;;循环平稳在滚动轴承故障诊断中的应用[J];军事交通学院学报;2017年06期

7 陈慧;胡俊锋;熊国良;;基于小波包分解与权重包络谱的滚动轴承故障特征增强[J];机械设计与研究;2017年03期

8 陈雷;;滚动轴承故障诊断实例[J];设备管理与维修;2016年10期

9 杨康鹏;;一种改进的滚动轴承故障诊断方法[J];机械制造;2012年05期

10 蒋康保;;神经网络在滚动轴承故障诊断中的应用[J];装备制造技术;2010年01期

相关博士学位论文 前10条

1 王洪伟;航空发动机滚动轴承故障诊断与预测关键技术研究[D];南京航空航天大学;2015年

2 葛慧敏;车辆滚动轴承故障诊断建模及关键技术研究[D];江苏大学;2017年

3 廖强;约束独立分量和多小波分析在滚动轴承故障诊断中的应用[D];电子科技大学;2016年

4 王聪;基于稀疏表达的机械信号处理方法及其在滚动轴承故障诊新中的应用研究[D];中国科学技术大学;2017年

5 徐剑;基于短时奇异谱分析的滚动轴承故障诊断方法研究[D];浙江大学;2017年

6 曾鸣;基于凸包的模式识别方法及其在滚动轴承故障诊断中的应用[D];湖南大学;2016年

7 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

8 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

9 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

10 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年

相关硕士学位论文 前10条

1 刘颜明;基于变分模态分解的滚动轴承故障诊断系统研究[D];东北石油大学;2018年

2 付岩;果蝇算法优化的广义回归神经网络滚动轴承故障预测[D];哈尔滨理工大学;2018年

3 那晓栋;基于深度学习的变负载下滚动轴承故障诊断方法研究[D];哈尔滨理工大学;2018年

4 闫翔宙;滚动轴承故障的盲分离与智能诊断方法研究[D];哈尔滨工程大学;2018年

5 穆旭明;基于小波变换和HHT的滚动轴承故障检测系统研究[D];哈尔滨理工大学;2018年

6 刘义亚;基于智能方法及同步压缩技术的滚动轴承故障诊断研究[D];江南大学;2018年

7 高星星;基于循环平稳的滚动轴承故障诊断方法研究[D];大连交通大学;2016年

8 艾澍海;基于VMD与改进VPMCD的滚动轴承故障诊断研究[D];昆明理工大学;2018年

9 李明晓;基于改进的EMD方法在滚动轴承故障诊断中的应用[D];昆明理工大学;2018年

10 周卫兵;基于CEEMD-SVD和ELM的滚动轴承故障诊断方法研究[D];昆明理工大学;2018年

本文编号：2883449