AMD和EMD方法在滚动轴承故障诊断中的应用研究

发布时间：2017-08-09 12:12

  本文关键词：AMD和EMD方法在滚动轴承故障诊断中的应用研究

  更多相关文章： 轴承故障诊断 AMD EMD 希尔伯特-黄变换 模态混叠 相近频率 自适应随机共振

【摘要】：旋转机械设备在工业生产中占有非常重要的地位,其中滚动轴承是旋转机械中应用最为普遍的部件,其运行状态直接影响到整台机器的性能。因此对滚动轴承的故障诊断具有重要现实意义。本文主要针对EMD方法的局限性和不足进行了分析研究,结合AMD方法和双稳随机共振等理论对其进行改进,提出的新算法更有利于机械故障特征的提取,并成功应用于滚动轴承的故障诊断。本文提出一种基于AMD旋转机械故障特征的提取方法。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障数据的分析处理,并与仅用EMD方法的处理结果进行对比,证明了AMD方法的有效性,且比EMD方法更快速、准确。针对在经验模态分解筛选过程中间断信号引起的模态混叠现象,提出一种基于AMD的经验模态分解模态混叠消除新方法。利用第1个有效固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用AMD方法分离出间断信号,再对处理后的信号进行EMD分解,从而消除该间断信号的影响。仿真分析和应用实例的结果证明,该方法可以有效消除由间断信号引起的模态混叠现象。针对希尔伯特-黄变换方法不能识别具有相近频率的非平稳信号的问题,提出一种AMD与HHT结合的非平稳信号紧密间隔频率检测新方法。该方法首先利用HHT变换得到非平稳信号的频率成分,再用AMD方法依次提取出各个频率成分的信号进行AMD分解,分别判断是否有频率混叠的现象,并将存在混叠频率的信号分解为单频率信号分量,实现全部特征频率的检测。仿真及应用实例结果表明,该方法解决了HHT方法不能有效分离两个相近频率信号的问题,确保能够准确分解信号数据并且分解精度有所提高。本文提出一种基于自适应随机共振和AMD-EEMD的滚动轴承故障诊断新方法。首先采用粒子群算法对双稳系统进行多参数并行寻优,得到最佳的系统结构参数;然后对含噪声的信号进行随机共振输出,使信号得到降噪和加强;再利用AMD方法对随机共振输出的信号进行截取;最后通过EEMD方法对AMD截取的信号进行抗混叠分解。仿真结果表明,优化后的随机共振系统能有效提高信号的信噪比,信号经过AMD截取后EEMD分解的有效分量明显减少,从而改善了EEMD的分解结果,增强了分量的频率幅值。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。最后利用LabVIEW软件开发平台设计了滚动轴承故障诊断系统,其中包含时域分析、频谱分析、AMD分解和EMD分解等模块,并对各个模块进行了介绍。通过对轴承故障信号的分析处理,验证了该故障诊断系统能够实现对故障的诊断识别。
【关键词】：轴承故障诊断 AMD EMD 希尔伯特-黄变换 模态混叠 相近频率 自适应随机共振
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 绪论11-17
• 1.1 课题研究背景11-12
• 1.2 课题研究现状12-15
• 1.2.1 滚动轴承故障诊断的现状12-13
• 1.2.2 滚动轴承常用故障诊断方法13-14
• 1.2.3 信号处理方法研究进展14-15
• 1.3 本文的主要研究内容和结构15-17
• 第2章 基于AMD的旋转机械故障特征提取方法研究17-27
• 2.1 引言17
• 2.2 AMD方法的原理及步骤17-19
• 2.3 基于AMD的旋转机械故障诊断方法19-21
• 2.3.1 AMD信号提取算法19-20
• 2.3.2 基于AMD的故障诊断方法20-21
• 2.4 故障特征提取实例21-26
• 2.4.1 滚动轴承故障特征提取实例21-24
• 2.4.2 转子不对中故障特征提取实例24-26
• 2.5 本章小结26-27
• 第3章 基于AMD的经验模态分解模态混叠消除方法27-35
• 3.1 引言27
• 3.2 EMD理论相关概念27-30
• 3.2.1 EMD方法分解过程27-28
• 3.2.2 EMD方法有关问题28-30
• 3.3 AMD-EMD模态混叠消除方法30-31
• 3.4 仿真实验应用实例31-33
• 3.5 应用实例33-34
• 3.6 本章小结34-35
• 第4章 基于AMD-HHT的非平稳信号紧密间隔频率检测方法35-45
• 4.1 引言35
• 4.2 AMD-HHT算法的原理及步骤35-38
• 4.2.1 希尔伯特-黄变换35-37
• 4.2.2 信号提取算法37-38
• 4.3 仿真实验38-43
• 4.4 应用实例43-44
• 4.5 本章小结44-45
• 第5章 基于自适应随机共振和AMD-EEMD的滚动轴承故障诊断45-56
• 5.1 引言45
• 5.2 自适应随机共振45-49
• 5.2.1 双稳随机共振45-46
• 5.2.2 粒子群算法概述46-47
• 5.2.3 基于粒子群优化算法的双稳随机共振47-49
• 5.3 AMD截取信号的EEMD方法49-50
• 5.4 仿真实验50-52
• 5.5 滚动轴承应用实例52-55
• 5.6 本章小结55-56
• 第6章 基于LABVIEW的滚动轴承故障诊断系统开发56-64
• 6.1 引言56
• 6.2 LABVIEW开发平台简介56-57
• 6.3 离线故障诊断系统设计57-62
• 6.3.1 时域分析模块58-59
• 6.3.2 频谱分析模块59
• 6.3.3 AMD分解模块59-60
• 6.3.4 EMD分解模块60-61
• 6.3.5 特征频率与故障识别模块61-62
• 6.4 本章小结62-64
• 结论64-66
• 参考文献66-71
• 攻读硕士学位期间承担的科研任务与主要成果71-72
• 致谢72

【相似文献】

中国期刊全文数据库 前10条

1 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

2 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

3 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

4 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

5 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

6 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

7 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

8 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

9 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

10 赵春华;严新平;赵新泽;袁成清;高虹亮;;滚动轴承故障的可拓物元诊断方法[J];润滑与密封;2006年04期

中国重要会议论文全文数据库 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 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

2 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

3 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

4 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

5 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

6 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

7 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

8 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

9 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012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

中国硕士学位论文全文数据库 前10条

1 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

2 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

3 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

4 王德丽;基于改进HHT与SVM的滚动轴承故障诊断方法研究[D];北京交通大学;2016年

5 邵海贺;基于EEMD和最小二乘支持向量机的滚动轴承故障诊断方法研究[D];长春工业大学;2016年

6 张磊;滚动轴承故障程度和工况不敏感智能诊断方法研究[D];华东交通大学;2016年

7 胡猛;基于局部均值分解的滚动轴承故障诊断方法研究[D];燕山大学;2016年

8 苏翠娇;AMD和EMD方法在滚动轴承故障诊断中的应用研究[D];燕山大学;2016年

9 王腾超;基于振动监测的风电机组滚动轴承故障诊断应用研究[D];燕山大学;2016年

10 李亚超;基于VMD的滚动轴承故障诊断方法研究[D];石家庄铁道大学;2016年

，

本文编号：645205