基于EEMD和滑动峰态解调的滚动轴承故障诊断方法研究

发布时间：2024-03-06 03:31

　　滚动轴承是旋转机械应用最为广泛的零部件之一,其工作状态的正常与否直接关系到整台机械设备的可靠性和生产效率。滚动轴承工作环境复杂,其早期故障特征微弱且易被强背景噪声所湮没,造成故障特征提取困难。因此,本文以滚动轴承作为研究对象,深入研究早期微弱故障信号的降噪及故障特征提取方法。主要研究工作如下:(1)针对早期微弱故障信号的降噪问题,提出基于自适应的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的降噪方法。首先提出极值点均匀的EEMD自适应参数优化方法,优化白噪声幅值和总体平均次数,提高了分解精度和计算效率;然后提出基于相关峭度和信息熵的模糊综合判定准则来优选IMF分量进行重构实现降噪。结果表明,该方法在优选IMF分量方面的效果要明显优于峭度法和相关系数法。(2)针对早期故障特征提取问题,提出基于改进滑动峰态解调的滚动轴承早期故障特征提取方法。首先以信息熵最小值确定滑动窗宽,然后利用滑动峰态算法计算滑动峰态时间序列实现峰态包络,解决弱冲击信号的包络问题,进而提取弱冲击信号的故障特征。将自适应EEMD和滑动峰态算法进行结合,充分发挥各...

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

图2-1EMD分解算法流程图

-8-的模态混叠问题叠包含两种类型：一种是差异性极大是差异性极小的特征尺度在不同的加直观说明EMD的模态混叠现象，121122()()()()6sin(2π)()5sin(2π)xtxtxtxtftxtft=+=....

图2-8自适应的EEMD降噪流程图

综合考虑信息熵与相关峭度的主次，将系数设置为0数值越大，说明该IMF分量与原始信号越相似，最后将最大值和次构，实现降噪。基于自适应EEMD的降噪方法验证轴承故障诊断流程滚动轴承故障信号依次加入幅值系数逐渐增大的高斯白噪声，找出差（stdmax）和极小值标准差（stdmi....

图2-9轮对轴承实验台

表2-1轴承主要参数直径m外径/mm外径/mm接触角/o滚子个数/个质/k.741302308.833202

图2-10传感器位置

.741302308.833202图2-9轮对轴承实验台故障轴承正常轴承

本文编号：3920485