非稳态工况下滚动轴承故障特征提取与诊断

发布时间：2017-08-17 10:23

  本文关键词：非稳态工况下滚动轴承故障特征提取与诊断

  更多相关文章： 滚动轴承 特征提取 FDA EMD 故障诊断

【摘要】：滚动轴承是旋转机械设备的重要部件之一,其主要功能是为旋转轴提供一个低摩擦的运行环境。该部件的损坏可能会导致设备出现严重故障,研究滚动轴承的特征提取与在线故障诊断技术显得尤为重要。旋转机械设备的启动、停止以及运转过程中都会产生不同程度的速度波动和载荷波动,这就使得机械设备运行在非稳态工况下。在该条件下,传统的时域特征参数法和频域特征参数法并不适用,因此需要寻找能够解决非稳态工况下滚动轴承故障特征提取与诊断的方法。本文针对非稳态工况条件下的滚动轴承故障诊断问题,提出了三种方法。1.提出了一种基于动态FDA的故障特征提取方法。该方法通过引入时延窗口方式来捕获滚动轴承振动信号的周期平稳性,再利用FDA建立滚动轴承的故障特征判别空间,并采用k近邻、SVM和决策树的方法对故障进行分类。实验分别采用CWRU和QPZZ-II故障实验平台来模拟变载荷和变转速工况,实验结果显示通过适当选取时延量可以有效对各故障状态的轴承实现在线故障诊断。2.动态FDA方法虽然有效但需要选取很大时延量才能完成故障诊断,为减少信息量提出了基于EMD的动态FDA特征提取方法。该方法利用EMD将一维振动信号分解为多层IMF分量并选取时延量将IMF分量构造成多维动态矩阵,然后对动态矩阵进行FDA分析从而构建了特征判别空间。实验结果表明,该方法能够利用历史故障完成变载荷和变转速工况数据的特征提取及在线故障诊断,具有较高的诊断精度。3.针对第二种方法中同类故障的IMF分量具有多子簇问题,提出了基于LPP的局部动态FDA特征提取算法。该算法通过局部计算类间和类内离散度来完成FDA分析,利用由IMF分量构成的多维动态矩阵来构建特征判别空间。将该方法应用在变载荷和变转速工况实验中,通过k近邻、SVM和决策树分类方法能够完成故障的分类识别。较之前两种方法,该方法具有更强的鲁棒性,稳定性和更高的诊断精度。
【关键词】：滚动轴承 特征提取 FDA EMD 故障诊断
【学位授予单位】：沈阳航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH133.33
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-18
• 1.1 研究背景和意义11-12
• 1.1.1 课题背景11-12
• 1.1.2 课题研究意义12
• 1.2 国内外研究现状分析12-16
• 1.2.1 发展历程12-14
• 1.2.2 研究现状分析14-16
• 1.3 主要研究内容及章节安排16-18
• 1.3.1 本文主要研究内容16
• 1.3.2 论文章节安排16-18
• 第2章 非稳态工况下振动信号特性分析18-37
• 2.1 滚动轴承基础理论18-25
• 2.1.1 滚动轴承振动机理18-21
• 2.1.2 滚动轴承主要故障形式21-22
• 2.1.3 滚动轴承失效过程22-25
• 2.2 变载荷非平稳工况下振动信号分析25-29
• 2.2.1 CWRU实验平台简介25-26
• 2.2.2 变载荷工况下振动信号分析26-29
• 2.3 变转速非平稳工况下振动信号分析29-35
• 2.3.1 QPZZ-II型实验平台简介29-33
• 2.3.2 变转速工况下振动信号分析33-35
• 2.4 本章小结35-37
• 第3章 基于动态FDA的非稳态工况下故障特征提取与诊断37-56
• 3.1 Fisher判别式分析37-41
• 3.1.1 基本原理37-39
• 3.1.2 Fisher故障诊断算法39-41
• 3.2 基于动态FDA的故障特征提取41-47
• 3.2.1 动态FDA的建立41
• 3.2.2 Akaike准则二次特征提取41-42
• 3.2.3 故障诊断决策42-45
• 3.2.4 特征提取与诊断决策算法步骤45-47
• 3.3 变载荷工况下实验仿真分析47-52
• 3.3.1 时延窗口大小对故障诊断性能的影响分析47-51
• 3.3.2 故障诊断性能比较与分析51-52
• 3.4 变转速工况下实验仿真分析52-55
• 3.5 本章小结55-56
• 第4章 基于局部动态FDA的非稳态工况故障特征提取与诊断56-77
• 4.1 经验模态分解基本理论56-61
• 4.1.1 本征模函数57
• 4.1.2 经验模态分解法分解过程57-61
• 4.2 基于EMD-DFDA的故障特征提取及实验仿真分析61-68
• 4.2.1 算法步骤62-64
• 4.2.2 实验验证64-68
• 4.3 基于EMD-LDFDA的故障特征提取及实验仿真分析68-75
• 4.3.1 LPP基本理论68-69
• 4.3.2 LDFDA算法69-71
• 4.3.3 EMD-LDFDA算法步骤71-73
• 4.3.4 实验验证73-75
• 4.4 本章小结75-77
• 结论77-79
• 参考文献79-82
• 致谢82-83
• 攻读硕士期间发表（含录用）的学术论文83

【参考文献】

中国期刊全文数据库 前10条

1 檀何凤;刘政怡;;模式分类方法比较研究[J];计算机技术与发展;2015年02期

2 赵晓宇;马文生;陈照波;;燃气轮机滚动轴承滚动体磨损故障分析研究[J];机械工程师;2014年05期

3 孟宗;李姗姗;;基于小波改进阈值去噪和HHT的滚动轴承故障诊断[J];振动与冲击;2013年14期

4 马伦;康建设;孟妍;吕雷;;基于Morlet小波变换的滚动轴承早期故障特征提取研究[J];仪器仪表学报;2013年04期

5 朱莉;;机械故障快速诊断技术[J];装备制造技术;2013年04期

6 赵志宏;杨绍普;申永军;;基于独立分量分析与相关系数的机械故障特征提取[J];振动与冲击;2013年06期

7 刘亭伟;郭瑜;李斌;高艳;;基于谱峭度的滚动轴承故障包络阶比跟踪分析[J];振动与冲击;2012年17期

8 周勇;何创新;;基于独立特征选择与相关向量机的变载荷轴承故障诊断[J];振动与冲击;2012年03期

9 张超;陈建军;郭迅;;基于EMD能量熵和支持向量机的齿轮故障诊断方法[J];振动与冲击;2010年10期

10 童先群;周忠眉;;基于属性值信息熵的KNN改进算法[J];计算机工程与应用;2010年03期

中国硕士学位论文全文数据库 前1条

1 周长生;齿轮与滚动轴承故障诊断方法的研究及专家系统的建立[D];兰州理工大学;2007年

，

本文编号：688485