基于振动信号的滚动轴承故障特征提取研究

发布时间：2017-05-22 17:13

  本文关键词：基于振动信号的滚动轴承故障特征提取研究，，由笔耕文化传播整理发布。

【摘要】：滚动轴承是各种旋转机械中应用最广泛的一种重要部件,其运行状态直接影响整台机械的性能,对其进行故障诊断具有重要的意义。旋转机械故障诊断包括信号的测量、特征提取、状态诊断和状态分析四个步骤,其中最核心的部分就是故障信号的特征提取。本文以滚动轴承为研究对象,研究了基于振动信号的滚动轴承特征提取的方法。本文介绍了滚动轴承的振动机理,对几种典型故障类型及形成原因进行分析。目前常用的滚动轴承故障诊断方法有温度检测法、油液检测法、振动分析法及声发射法等,本文采用的是振动分析法。首先,研究了轴承信号的时域分析方法,包括有量纲参数和无量纲参数的特征提取方法。通过对比正常信号和故障信号的时域统计指标参数值的变化,得到故障信号的时域特征。其次,研究了轴承信号的频域分析方法,主要采用希尔伯特解调的方法对滚动轴承进行特征提取。实际的滚动轴承故障中,一般会有周期性的脉冲信号产生,使其故障信号出现调制现象,固有频率的两侧呈现间隔均匀的调制边频带表现在频谱上。解调的分析方法,可以从故障信号中提取出调制信息,但该方法需要事先知道轴承的故障频率。再次,研究了时频域的分析方法,针对轴承信号采集过程中噪声的影响,本文提出了一种基于相关性小波奇异熵的滚动轴承特征提取方法。该方法首先对采集的信号进行小波变换,得到其小波系数。利用信号和噪声的小波变换在各个尺度下具有不同的传播特性,对小波系数做相关计算,达到抑制噪声的目的。将其处理后的系数进行奇异值分解,对奇异值进行信息熵计算,得到了相关性小波奇异熵。通过模拟轴承信号的仿真研究,验证了该方法能够抑制噪声的影响。将该方法应用于实际的轴承特征提取中,采用概率神经网络进行故障分类,验证了该方法的有效性。最后,由于EMD分解具有自适应性,适用于处理非线性、非平稳的信号,本文提出了一种基于EMD瞬时功率谱熵的滚动轴承特征提取方法。该方法将轴承信号进行EMD分解,得到有限个IMF分量,对这些分量进行功率谱处理,计算其功率谱的信息熵。将该方法应用于实际的轴承特征提取中,EMD瞬时功率谱熵作为特征向量,采用概率神经网络进行故障分类,验证了该方法的有效性。
【关键词】：滚动轴承 特征提取 小波变换 EMD分解 信息熵
【学位授予单位】：东北石油大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TH133.33
【目录】：

• 摘要4-5
• ABSTRACT5-7
• 创新点摘要7-10
• 第一章 绪论10-15
• 1.1 课题研究背景和意义10-11
• 1.2 滚动轴承故障诊断中特征提取的发展现状11-13
• 1.2.1 基于时域分析的特征提取方法11
• 1.2.2 基于频域分析的特征提取方法11-12
• 1.2.3 基于时频域分析的特征提取方法12-13
• 1.3 本文的主要研究内容及结构安排13-15
• 第二章 基于时域分析的滚动轴承特征提取15-22
• 2.1 滚动轴承失效的形式及主要原因15-16
• 2.2 滚动轴承的故障机理16-17
• 2.3 滚动轴承的时域指标17-19
• 2.4 基于时域分析的轴承特征提取方法19-21
• 2.4.1 滚动轴承故障模拟试验平台19-20
• 2.4.2 基于有量纲参数的特征提取20
• 2.4.3 基于无量纲参数的特征提取20-21
• 2.5 本章小结21-22
• 第三章 基于希尔伯特解调的滚动轴承特征提取22-31
• 3.1 滚动轴承的特征频率22-24
• 3.1.1 滚动轴承的固有振动频率22-23
• 3.1.2 滚动轴承的故障特征频率23-24
• 3.2 基于希尔伯特解调的特征提取方法24-26
• 3.2.1 希尔伯特变换25
• 3.2.2 希尔伯特解调的基本原理25-26
• 3.3 基于希尔伯特解调滚动轴承特征提取的步骤26-27
• 3.4 仿真与实验27-30
• 3.4.1 模拟轴承信号的特征提取研究27-28
• 3.4.2 实际轴承信号的特征提取研究28-30
• 3.5 本章小结30-31
• 第四章 基于相关性小波奇异熵的滚动轴承特征提取31-43
• 4.1 小波变换的基本原理31-33
• 4.2 基于相关性小波奇异熵的特征提取33-36
• 4.2.1 相关性计算33-34
• 4.2.2 奇异值分解34-35
• 4.2.3 信息熵35-36
• 4.3 基于相关性小波奇异熵特征提取方法的步骤36
• 4.4 仿真与实验36-39
• 4.4.1 模拟轴承信号的特征提取研究36-38
• 4.4.2 实际轴承信号的特征提取研究38-39
• 4.5 基于概率神经网络的滚动轴承故障诊断39-42
• 4.5.1 概率神经网络39-41
• 4.5.2 概率神经网络的数学描述41
• 4.5.3 相关性小波奇异熵在滚动轴承故障诊断中的应用41-42
• 4.6 本章小结42-43
• 第五章 基于EMD瞬时功率谱熵的滚动轴承特征提取43-51
• 5.1 EMD分解方法43-45
• 5.1.1 瞬时频率43-44
• 5.1.2 本征模态函数（IMF）44
• 5.1.3 EMD算法的分解过程44-45
• 5.2 基于EMD瞬时功率谱熵的特征提取45-46
• 5.2.1 功率谱分析45-46
• 5.2.2 基于EMD瞬时功率谱熵的滚动轴承特征提取的步骤46
• 5.3 仿真与实验46-49
• 5.3.1 模拟轴承信号的特征提取研究46-48
• 5.3.2 实际轴承信号的特征提取研究48-49
• 5.4 基于概率神经网络的滚动轴承故障诊断49-50
• 5.5 本章小结50-51
• 结论51-52
• 参考文献52-56
• 发表文章目录56-57
• 致谢57-58

【参考文献】

中国期刊全文数据库 前1条

1 陆人定;;齿轮箱故障时域和频域综合诊断技术[J];机电工程技术;2007年06期

  本文关键词：基于振动信号的滚动轴承故障特征提取研究，由笔耕文化传播整理发布。

本文编号：386388