强噪声背景下滚动轴承故障诊断的关键技术研究

发布时间：2020-08-25 21:01

【摘要】：旋转机械工况监测是系统维护和自动化生产中的一个重要环节,滚动轴承故障是造成旋转机械损坏最主要因素之一,有时还会带来灾难性的生产事故。因此,开展滚动轴承故障诊断,尤其是对早期故障诊断研究具有重要的理论价值和实际意义。实践表明：对于具有调制现象的滚动轴承故障诊断,基于Hilbert变换的包络解调方法是一种可靠的诊断方法。本文以强噪声背景下滚动轴承故障诊断为目标,针对故障特征提取的问题提出了几种包络解调的新方法,’主要研究工作如下：在滚动轴承的故障机理方面,完善了现有滚动轴承振动模型,建立了综合考虑轴承元件表面波纹度、局部损伤、径向游隙等因素的轴承振动模型。由于生产工艺的原因,轴承元件表面不可避免的存在波纹度,为使模型更符合滚动轴承的实际工作情况,在模拟轴承损伤故障振动信号时必须考虑波纹度等其它因素的影响。通过实验分析模拟轴承的振动特性,证明该模型是有效的。从信号分析角度看,Morlet小波和Harmonic小波是复解析带通滤器,常用于振动信号的包络解调。但是,它们在时域或频域都存在自身的不足,为此,构造了一种复解析带通滤波器,不但克服了Harmonic小波Gibbs的现象,还具有几乎“盒形”的频谱特征、时域衰减较快的特性,综合性能优于二者。在此基础上,提出了一种基于组合复解析带通滤波器的梳状包络解调方法,实现了信号梳状滤波和包络解调的统一。实验结果表明该方法具有抗噪声、容错能力强的优点,可获得信号的简明解调谱特征。 S变换(S-Transform, ST)是短时Fourier变换和小波变换的一种延伸和扩展,可用于提取信号的包络。为了更有效的分析具有周期性调幅特征的轴承损伤振动信号,提出了多分辨率ST包络谱的概念,并给出了其计算方法。为了进一步抑制带内噪声,采用了一种基于多分辨率ST包络谱和奇异值比谱的方法,自动提取、重构调制信号包络的主周期分量,由于采用了改进的相空间矩阵重构方法,使获取的主周期分量频率更准确。实验结果证明,该方法可以很好的降低噪声,有效地提取信号中的周期成分,在不同强度背景噪声下,实现了轴承故障特征频率的提取。与各种抑制噪声方法相比,随机共振能够利用噪声来增强信号,使其在微弱信号的增强和检测方面有着独特的优势。在随机共振系统的数值解法方面,提出了一种改进的数值解法以增强共振效果；在系统参数优化方面,设计了一种基于遗传算法同时优化系统参数和噪声强度的自适应随机共振方法；针对经典的绝热近似小参数随机共振难以满足实际工程大参数条件下的微弱信号检测问题,深入研究了变尺度、移频—变尺度等大参数信号随机共振实现方法,提出了一种更适用于调幅信号的大参数随机共振系统,即S变换—变尺度随机共振。实验结果证明,该方法对于微弱周期调制信号的解调分析效果明显优于FFT谱分析和常用解调方法,可用于强噪声背景下提取轴承故障特征。通过对模拟和实测轴承故障振动信号的实验分析,证明了以上所提出包络解调新方法的有效性以及某些方面独特的优越性。有理由相信,这些方法在滚动轴承故障诊断方面有着良好的应用前景。
【学位授予单位】：武汉理工大学
【学位级别】：博士
【学位授予年份】：2010
【分类号】：TH133.33;TH165.3

【引证文献】