基于振动信号处理的电机轴承故障诊断方法研究

发布时间：2017-07-26 23:01

  本文关键词：基于振动信号处理的电机轴承故障诊断方法研究

  更多相关文章： 振动信号 阈值降噪 经验模态分解 BP神经网络

【摘要】：滚动轴承作为电机这类旋转机械设备中的一个关键组成部分,也是旋转机械类设备组成部分中发生故障机率最高的部分,因此及时检测出滚动轴承故障的原因显得尤为重要,其中轴承的振动信号包含的信息丰富、具有清晰的物理意义,最能直接和全面的反映设备的运行状态,因此采集电机轴承的振动信号进行故障诊断也最为常用有效。本文主要是对滚动轴承的故障振动信号展开分析研究,着重详细论述小波阈值降噪方法原理,经验模态分解原理以及BP人工神经网络理论。主要采取两种方法在滚动轴承的故障形式上给予讨论分析。方法一结合了小波阈值降噪法、相关系数法、峭度值准则和集成经验模态分解方法用于对轴承不同故障类型进行故障特征频率的提取,由此对轴承的故障形式进行识别。方法二是提取滚动轴承在不同损伤程度下的振动信号的特征参数值,挑选出敏感的时频域特征向量训练出BP神经网络,再由BP神经网络输出结果判断各类滚动轴承的故障形式。本文主要阐述了滚动轴承中振动信号产生的原理,表明使用振动信号来进行相关故障形式诊断是有根据的,对三种主要滚动轴承故障形式进行故障频率信息的提取,与物理学中故障特征频率计算公式求得的故障特征频率进行对照,就能判断出相应的故障形式。在滚动轴承的故障振动信号的去噪应用上,主要采用小波阈值降噪算法,在讨论传统小波阈值降噪方法缺点基础之上,提出了一种改进的小波阈值降噪算法,结合振动类信号敏感的峭度值特征参数,将新算法运用机械振动类信号的降噪处理中,实验也表明这种改进的小波阈值降噪算法能够在保留有用机械振动信号故障信号的前提下有效减少无用的高频噪声信号成分。再将这种新改进的小波阈值降噪算法与平均的总体经验模态分解算法结合,同时基于判断信号之间的相关性大小的相关系数法和故障振动信号峭度值准则,提出了一种滚动轴承故障信号提取的新方法,研究证明了该方法得到的滚动轴承故障频率信息更加清楚。另外本文还探讨了BP神经网络在滚动轴承不同故障形式以及损伤大小程度下的诊断应用,在收集比较充足的滚动轴承的故障振动波形样本数据的基础之上,对这些样本信号数据进行特征参数提取,其中有时域上的参数和频域上的参数,通过这些参数组建特征参数的矩阵输入向量,对输入的特征向量进行训练得到BP神经网络,从而能够对多种类型下的滚动轴承故障来进行准确识别,分别构建了四种滚动轴承故障模式下的BP诊断网络和十种滚动轴承故障模式下的BP诊断网络,实验证明所构建的两种诊断网络都对故障形式的判断达到了很好识别效果。
【关键词】：振动信号 阈值降噪 经验模态分解 BP神经网络
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM307.1
【目录】：

• 中文摘要5-6
• ABSTRACT6-10
• 1. 绪论10-15
• 1.1 课题研究背景以及意义10
• 1.2 电机轴承故障诊断方法和研究现状10-12
• 1.2.1 滚动轴承的故障诊断方法10-11
• 1.2.2 国内外轴承故障诊断技术研究现状比较11-12
• 1.3 本文的研究思路和研究内容12-14
• 1.3.1 本文研究思路概述12-13
• 1.3.2 本文研究内容概述13
• 1.3.3 本文主要创新13-14
• 1.4 本章小结14-15
• 2. 轴承故障振动机理与故障特性介绍15-19
• 2.1 电机滚动轴承故障振动系统原理概述15-16
• 2.2 电机滚动轴承典型故障形式概述16-17
• 2.3 典型滚动轴承系统特征频率的公式运算17
• 2.4 本章小结17-19
• 3. 小波降噪理论在振动信号上的应用19-38
• 3.1 传统小波阈值降噪理论介绍19-21
• 3.1.1 时频分析方法概述19-20
• 3.1.2 小波分析原理20-21
• 3.2 小波阈值降噪理论介绍21-23
• 3.2.1 小波降噪原理21-22
• 3.2.2 小波阈值降噪算法22-23
• 3.3 改进的小波阈值降噪方法的提出23-29
• 3.3.1 传统小波阈值降噪方法简介23-25
• 3.3.2 阈值方法的改进简介25
• 3.3.3 改进阈值函数的提出25-29
• 3.4 改进后小波阈值降噪算法在信号降噪上的研究29-37
• 3.4.1 改进后小波降噪算法在仿真信号降噪上初步研究29-35
• 3.4.2 改进后小波降噪算法在机械振动信号降噪上的运用35-37
• 3.5 本章小结37-38
• 4. 经验模态分解以及其相关改进方法在振动信号上的应用研究38-69
• 4.1 经验模态分解理论介绍38-41
• 4.1.1 本征模式函数（Intrinsic Mode Function）38-39
• 4.1.2 EMD的基本算法39-41
• 4.1.3 EMD与其它信号分解方法的主要区别41
• 4.2 包络谱分析方法41-42
• 4.3 包络谱和EMD在滚动轴承故障振动信号特征频率提取中的应用42-54
• 4.4 改进的经验模态分解理论介绍54-62
• 4.4.1 总体平均经验模态分解理论概述54-59
• 4.4.2 补充的总体平均经验模态分解理论概述59-60
• 4.4.3 EEMD与CEEMD方法的比较60-62
• 4.5 改进的小波阈值降噪方法结合CEEMD的故障特征提取方法应用62-68
• 4.6 本章小结68-69
• 5. BP神经网络在滚动轴承故障类型识别上的研究69-77
• 5.1 BP神经网络原理简介69-71
• 5.2 基于BP神经网络模型的电机滚动轴承故障类型识别网络的建立71-76
• 5.2.1 电机滚动轴承振动信号样本数据的处理71-72
• 5.2.2 振动信号样本数据特征参数选取72
• 5.2.3 BP神经网络的设计72-73
• 5.2.4 BP神经网络的训练与检验73-76
• 5.3 本章小结76-77
• 6. 结论与展望77-78
• 参考文献78-82
• 攻读硕士学位期间发表学术论文情况82-83
• 致谢83-84
• 作者简介84-85

【相似文献】

中国期刊全文数据库 前10条

1 高志凌;刘yN;桂志国;;基于模糊数学的低剂量CT投影域降噪算法[J];测试技术学报;2011年06期

2 黄艳林;李友荣;肖涵;吕勇;;基于相空间重构与独立分量分析的局部独立投影降噪算法[J];振动与冲击;2011年01期

3 陈潇红;王维东;;基于时空联合滤波的高清视频降噪算法[J];浙江大学学报(工学版);2013年05期

4 杨民;孟凡勇;梁丽红;魏东波;;动态射线数字图像序列降噪算法及快速实现[J];兵工学报;2011年11期

5 宋坤坡;夏顺仁;徐清;;考虑小波系数相关性的超声图像降噪算法[J];浙江大学学报(工学版);2010年11期

6 胡红英;马孝江;;基于局域波分解的信号降噪算法[J];农业机械学报;2006年01期

7 伍赛;杨晶晶;王盛;陈更生;;多重决策论图像脉冲降噪算法及其硬件实现[J];计算机辅助设计与图形学学报;2013年06期

8 张志刚;周晓军;宫燃;沈路;;小波域局部Laplace模型降噪算法及其在机械故障诊断中应用[J];机械工程学报;2009年09期

9 石宏理,蔡远利,邱祖廉;小波域隐Markov树模型降噪算法的改进[J];工程数学学报;2005年03期

10 余成义;肖涵;刘安中;李友荣;;自适应局部独立分量分析[J];振动与冲击;2012年14期

中国重要会议论文全文数据库 前5条

1 王s，

本文编号：578725