基于非线性信号分析的滚动轴承状态监测诊断研究

发布时间：2020-08-28 17:03

　　 本文针对实测设备振动信号通常具有非线性或非线性成份的特性,以滚动轴承为研究对象,应用非线性信号分析方法对滚动轴承振动信号非线性特征提取与故障诊断进行了深入的理论与应用研究。通过将复杂性测度——排列熵、核主元分析(KPCA)、流形学习方法和支持向量机(SVM)等四种非线性信号分析方法引入轴承故障诊断领域,对滚动轴承振动信号非线性特征提取与诊断进行了系统的研究。 排列熵作为复杂性的一种测度,是反映信号序列无序程度的一个重要的非线性特征。将排列熵引入滚动轴承监测与故障诊断,提出以排列熵作为表征滚动轴承状态的特征,研究用排列熵检测滚动轴承振动信号的突变的新方法。通过对典型非线性时间序列Logistic映射分析,验证了用排列熵检测非线性信号突变的敏感性和有效性。分析数据长度、延迟时间以及嵌入维数等参数对滚动轴承振动信号排列熵和计算耗时的影响,选择适合滚动轴承振动信号的最佳参数,研究不同状态下的轴承振动信号的排列熵对状态表达的有效性。结果显示,排列熵可以检测复杂信号的突变,且算法简单,计算速度快,可用于监测轴承状态的变化。利用核主元分析对非线性信号的信息挖掘与降维的作用,在轴承振动信号的时域、频域和时频域的原始特征基础上,研究基于KPCA对原始特征进行降维提取轴承非线性特征表达轴承状态的方法,通过对滚动轴承四种状态下的核主元聚类性分析表明,在原始统计特征基础上提取的非线性核主元的聚类性好,状态表示性强,有利于实现轴承状态智能诊断。在核主元分析方法的基础上,研究基于核主元Hotelling’s T2和Q统计量的轴承状态监测方法,通过对滚动轴承状态的实例分析表明,该方法可以有效监测轴承的故障状态。 将流形学习方法应用于故障诊断领域,提出利用流形学习方法提取滚动轴承振动信号高维原始统计特征的低维流形上的非线性状态特征,研究其表征轴承状态的方法。以轴承仿真振动信号和经典的非线性高维数据Swiss Roll和Swiss Hole为对象,分析LLE、ISOMAP和LTSA三种典型流形算法提取轴承振动信号非线性特征的有效性,结果显示LTSA流形算法提取的轴承振动信号非线性低维嵌入分量的聚类性好,适合用于轴承状态辨识。通过对滚动轴承四种状态下振动信号的实例研究,基于LTSA流形算法提取的特征分量与用标准PCA方法提取的主元特征相比,具有聚类性好,类内距小等优点,可有效表征轴承状态。 轴承故障诊断的方法实质是模式识别的问题。针对滚动轴承非线性振动特征与故障样本少的实际情况,将支持向量机理论应用于轴承故障诊断领域,研究基于“一对多”算法的SVM多类分类器的构建方法。基于仿真轴承振动信号,通过交叉验证的方法选择最佳核函数及其参数,验证了基于径向基核函数的SVM分类器的优良分类性能。分别采用KPCA、LTSA两种非线性特征提取方法与SVM相结合进行了滚动轴承状态识别的实例研究,研究表明基于径向基核函数的SVM多类分类器在滚动轴承轴承振动信号特征辨识中识别率高,训练时间适中,具有优良的性能,适合非线性小样本的设备异常状态识别。 上述方法的研究是建立在实验验证的基础之上,本文基于虚拟仪器技术构建数据采集系统,以旋转机械试验台和齿轮减速器为实验平台,通过对轴承进行设置故障试验,验证了上述方法的可行性和有效性。
【学位单位】：中国科学技术大学
【学位级别】：博士
【学位年份】：2011
【中图分类】：TH165.3
【部分图文】：

第 2 章 研究对象分析与实验设计2.2.1 滚动轴承动力学特性 本节以深沟球轴承为例，分析滚动轴承的动力学特性，图 2.1 所示为滚动轴承结构与安装示意图。工作过程中，设滚动体在滚道上做纯滚动，且不考虑滚动体质量，轴承外圈固定在机座上，内圈随轴旋转，承受外部径向垂直载荷为 F则由文献[2,3]可得滚动轴承转子系统动力学方程为:位论文全文数据库 2011年 第09期 工程科技Ⅱ辑

系统与仪器 在江苏千鹏诊断工程有限公司生产的 QPZZ-Ⅱ型旋转机械齿轮减速器上进行的。基于齿轮减速器的实验将在第三章、故障设置方法与介绍的相同。实验平台如图 2.3 所示，由、齿轮箱、轴、偏重转盘、调速器等组成。通过调节配重以及组件的有机组合快速模拟各种故障，并对各种状态的对验通过更换被测部分的轴承，模拟轴承内圈损伤、外圈损运行状态，并模拟加载，测试四种状态下不同转速的轴承理如图 2.4 所示。测试系统的硬件主要由加速度振动传感电路、数据采集卡和计算机组成。传感器：B&K4371 型压电加速度传感器，频率范围为 0.1H为 10pC/g，电压灵敏度为 10mV/g，谐振频率为 42KHz，g。为改善传感器的刚性条件，在传感器前端装有强力磁吸器安装在轴承座的两个相互垂直的方向上，如图 2.5 所示计算机

25图2.4 滚动轴承振动测试系统图图2.5 被测对象及传感器安装位置电荷放大器： 由江苏振动仪器厂生产，频率范围 0.3Hz~30KHz，输出电压可根据需要在 0.1~10mV/g 范围内调节。数据采集卡： NI PCI-6024E 数据采集卡，采样速率 200 kS/s，12 位精度，16 路模拟输入多功能数据采集卡，输入范围±0.05~±10V，输出范围±10V。BNC2120 接口： NI BNC-2120 屏蔽式接线盒

【引证文献】

相关期刊论文 前4条

1 侯国平;马萱;唐茗;;改进SVM模型在轴承故障诊断中的应用研究[J];机械设计与制造;2012年09期

2 董华玉;;基于核主元分析和高斯混合模型的轴承转子状态评估[J];科学技术与工程;2014年01期

3 朱喜华;李颖晖;刘聪;李宁;张鹏;;基于自适应核主元分析的EHA系统传感器故障检测[J];推进技术;2014年06期

4 张明真;郭敏;;基于流形学习和SVM的储粮害虫声信号识别研究[J];云南大学学报(自然科学版);2014年02期

相关博士学位论文 前2条

1 李鹏;多尺度分析方法在旋转机械状态监测中的应用研究[D];中国科学技术大学;2012年

2 胡飞;列车轴承故障轨边声学检测系统关键技术研究[D];中国科学技术大学;2013年

相关硕士学位论文 前4条

1 苏阳;数据驱动滚动轴承故障诊断研究[D];沈阳大学;2012年

2 万鹏;基于流形学习的主轴系统故障诊断方法研究[D];北京信息科技大学;2013年

3 石坤举;基于LLE算法的转子系统故障特征数据集降维方法研究[D];兰州理工大学;2013年

4 杨磊;基于LabVIEW的动车组转向架状态监测及故障诊断[D];石家庄铁道大学;2013年

本文编号：2807878