熵选择IMF分量的滚动轴承故障诊断方法

发布时间：2017-11-20 23:28

  本文关键词：熵选择IMF分量的滚动轴承故障诊断方法

  更多相关文章： 滚动轴承 变转速信号 香农熵 EMD分解 阶比跟踪 包络解调 FFT

【摘要】：滚动轴承是旋转机械的关键组成部分,也是极容易损坏的部件之一,长期以来,对旋转机械滚动轴承的故障诊断一直是业内研究的重点和难点。通过分析旋转机械运行过程中产生的振动信号可以实现对滚动轴承的故障诊断。绝大多数旋转机械都是在变转速工况下运行的,因此所产生的振动信号大部分都是非平稳信号。当滚动轴承发生故障时,这些变转速信号将会表现的更加明显,并且其中包含丰富的故障特征信息。然而现有的信号处理方法并不能有效地完成变转速工况下滚动轴承的故障诊断。 本文在对现有的信号处理方法进行研究的基础上,提出了熵选择IMF分量的滚动轴承故障诊断方法。该方法将EMD分解、香农熵、傅里叶变换、阶比跟踪以及包络解调等方法进行了有机结合,实现了对变转速工况下振动信号的处理与分析,最终利用分析结果完成了对变转速工况下滚动轴承的故障诊断,该方法的具体步骤如下。 首先,利用EMD分解方法对采集到的振动信号进行预处理,将其自适应的分解为一系列的本征模函数,即IMF分量。该方法可以将原振动信号分解为不同频率成分的振动信号,起到了滤波的作用。 其次,选择合适的IMF分量分别提取滚动轴承的转速信息与进行滚动轴承的故障诊断。为了更好的实现对故障信号的提取分析,首先需要求出EMD分解之后得到的各IMF分量的香农熵,然后根据香农熵值的大小判断信号的无序性程度。香农熵值越小,信号越有序；香农熵值越大,信号越无序。当滚动轴承发生故障时,其故障表面与其它元件相接触时会发生周期性的撞击,从而产生间隔均匀的脉冲,因此本文选择香农熵值最小的IMF分量提取滚动轴承的故障特征。转速信息一般位于信号的低频段,仅仅利用香农熵值的大小很难判断信号频率的分布情况,所以需要对IMF分量做FFT变换,了解各IMF分量的频率分布,进而选择合适的分量来提取振动信号中的转速信息。 最后,提取故障特征,对滚动轴承进行故障诊断。利用提取的转速信息对熵值最小的IMF分量做等角度重采样,将其从时域非平稳信号转换为角域平稳信号,对角域平稳信号做包络解调,得到包络阶比谱,判断滚动轴承的故障类型。 本文以多功能转子试验台为实验平台,对上述方法进行了实验验证,实验结果表明该方法能够准确可靠地实现变转速工况下滚动轴承的故障诊断。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3;TH133.33

【参考文献】

中国期刊全文数据库 前10条

1 徐振辉,马立元;滚动轴承的故障特征提取[J];兵工自动化;2004年01期

2 杨翠丽;秦荣;杜灿谊;;基于EMD理论的等角度重采样方法在凸轮轴故障诊断中的应用[J];车用发动机;2011年06期

3 陈平;李庆民;赵彤;;瞬时频率估计算法研究进展综述[J];电测与仪表;2006年07期

4 冯辅周;饶国强;张丽霞;司爱威;;基于EMD和排列熵的轴承异常检测方法研究[J];轴承;2013年02期

5 邹红星,戴琼海,李衍达,卢旭光;不含交叉项干扰且具有WVD聚集性的时频分布之不存在性[J];中国科学E辑:技术科学;2001年04期

6 彭立中,王永革;具有优美结构的紧支正交小波的构造[J];中国科学E辑:技术科学;2004年02期

7 郑海波,李志远,陈心昭;基于连续小波变换的齿轮故障诊断方法研究[J];机械工程学报;2002年03期

8 郭瑜,秦树人,汤宝平,纪跃波;基于瞬时频率估计的旋转机械阶比跟踪[J];机械工程学报;2003年03期

9 姜鸣,陈进,汪慰军;几种Cohen类时频分布的比较及应用[J];机械工程学报;2003年08期

10 邓拥军,王伟,钱成春,王忠,戴德君;EMD方法及Hilbert变换中边界问题的处理[J];科学通报;2001年03期

，

本文编号：1208915