基于振动信号的轴承故障特征提取及诊断方法研究

发布时间：2023-03-09 19:47

　　滚动轴承是机械设备中的核心精密部件,在设备运转过程中起承接负载、传递载荷的作用,被广泛应用于冶金、化工、航天等重要领域。滚动轴承一旦发生故障没有及时排查,轻则导致生产停滞,重则造成人员伤亡。研究表明滚动轴承发生故障时,轴承振动信号表现出明显的非线性、非平稳特性。如果能够在线对滚动轴承运行状态进行有效监测,对获取的有效信息进行合理判断,及早发现故障并进行维修,对保证系统稳定、平稳运行,预防安全事故的发生具有重要意义。论文以滚动轴承为研究对象,主要研究了基于振动信号的轴承故障特征提取及诊断方法,论文主要研究内容如下:①针对滚动轴承故障信号特征信息容易被噪声淹没的问题,提出自适应最大相关峭度反卷积方法实现滚动轴承故障信号降噪。充分考虑最大相关峭度反卷积能够增强含噪信号中的周期冲击信号的优势,将相关峭度设为评价标准,设定经最大相关峭度反卷积后的信号包络谱熵作为适应度函数,采用增强领导型粒子群算法对最大相关峭度反卷积的参数进行寻优,实现自适应最大相关峭度反卷积方法对滚动轴承故障振动信号的增强;②针对滚动轴承故障特征提取困难的问题,提出融合自适应变分模态分解和奇异值分解的故障特征提取方法。以任意模...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 滚动轴承基本概述
        1.2.1 滚动轴承结构
        1.2.2 滚动轴承振动机理
        1.2.3 滚动轴承失效形式
    1.3 滚动轴承故障诊断研究现状
        1.3.1 故障信号预处理研究现状
        1.3.2 故障特征提取研究现状
        1.3.3 故障模式识别研究现状
    1.4 本文研究思路
第二章 基于自适应MCKD的故障信号滤波
    2.1 最大相关峭度反卷积
        2.1.1 MCKD基本原理
        2.1.2 MCKD参数分析
    2.2 自适应最大相关峭度反卷积
        2.2.1 增强领导型粒子群算法基本原理
        2.2.2 自适应MCKD基本原理
    2.3 实验验证
    2.4 本章小结
第三章 基于自适应VMD和奇异值分解的故障特征提取
    3.1 变分模态分解方法
        3.1.1 VMD基本原理
        3.1.2 VMD参数分析
    3.2 自适应变分模态分解
        3.2.1 AVMD基本原理
        3.2.2 AVMD性能分析
    3.3 滚动轴承故障特征集
        3.3.1 SVD基本原理
        3.3.2 故障特征集构建
    3.4 实验验证
    3.5 本章小结
第四章 基于支持向量机的故障模式识别
    4.1 支持向量机原理
        4.1.1 SVM基本原理
        4.1.2 SVM核函数分析
    4.2 支持向量机参数优化
        4.2.1 遗传算法基本原理
        4.2.2 SVM参数优化
    4.3 实验验证
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 研究展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3758188