滚动轴承振动信号处理及特征提取方法研究

发布时间：2020-10-18 14:54

　　 滚动轴承是各种旋转机械中应用最广泛的一种通用部件,其运行状态往往直接影响整台机器的性能,对滚动轴承的状态监测和故障诊断具有重要的现实意义和经济价值。本文以滚动轴承为研究对象,从故障轴承振动信号的特征入手,针对滚动轴承诊断中的关键技术：解调、降噪和特征参数提取问题,应用现代信号处理技术,对滚动轴承的状态监测与故障诊断技术开展了一系列的研究工作。论文的主要工作内容如下： 1.在分析滚动轴承振动机理的基础上,总结了滚动轴承局部损伤类故障振动信号具有周期性冲击和幅值调制的特征,指出滚动轴承故障诊断的关键问题是解调、降噪和特征参数提取。只要解决好这三个问题,就能实现滚动轴承故障的准确诊断。 2.提出了基于EMD降噪和谱峭度法的滚动轴承故障诊断方法。总结了基于经验模式分解(EMD)的降噪方法有两种：基于阈值处理和基于滤波处理的EMD降噪方法。基于阈值处理方法中,借鉴了小波阈值降噪的思想；基于滤波处理方法中,针对故障轴承振动信号特点,提出了两个降噪准则。以仿真轴承故障信号为例,比较了两种方法的降噪性能,指出基于滤波处理的EMD降噪方法更适合作为滚动轴承信号预处理手段。针对共振解调中带通滤波器参数难以确定的问题,引入了谱峭度理论,根据谱峭度值最大处的频带确定共振频带。将EMD降噪和谱峭度理论相结合,提出了一种基于EMD降噪和谱峭度法的滚动轴承故障诊断方法,并以工程实际信号进行分析验证。 3.提出了一种基于最优Morlet小波滤波器和自相关增强算法的滚动轴承故障自动诊断方法。为了消除干扰振动的频率成分,首先将实测轴承信号通过一个由Morlet小波确定的带通滤波器,该滤波器参数由遗传算法优化得到,讨论了遗传算法优化问题中的目标函数和约束条件。经过最优Morlet小波滤波后,信噪比得到显著提高。为了进一步减少残余的带内噪声,突出周期性冲击特征,提出了一种自相关增强算法,并将其用于Morlet小波滤波后的信号。在得到的自相关增强包络功率谱中,只有简单的几根谱线存在,有故障时对应故障特征频率,无故障时对应轴的转频,这对于操作者识别轴承故障类型非常容易,本方法可以几乎以自动的方式执行,仿真和试验结果验证了该方法非常适合滚动轴承的诊断。 4.提出了一种基于双树复小波域隐Markov树模型的滚动轴承故障信号的降噪方法。针对传统离散小波变换具有平移敏感性和复小波变换不能完美重构的缺陷,提出采用双树复小波变换处理滚动轴承信号的方法。针对传统小波降噪方法没有考虑小波系数间相关性和非高斯性而造成降噪效果不够理想的问题,引入小波域隐Markov树模型的降噪思想。将双树复小波变换和小波域隐Markov树模型相结合,提出一种更有优势的降噪方法。根据双树复小波变换系数的实部和虚部是同时考虑还是分开考虑的原则,提出两种基于双树复小波域隐Markov树模型降噪方法,并比较它们与传统方法的性能,指出同时考虑实部和虚部的方法效果更好,并将该方法用于实际滚动轴承故障诊断进行验证。 5.提出了一种基于小波包样本熵的滚动轴承故障诊断和预测方法。将信息论中的样本熵引入到机械故障诊断领域,讨论了样本熵的性能和计算参数的选择,指出无论在抗噪性、对样本长度的要求、还是反映系统的本质上,样本熵都比近似熵具有更好的性能。根据小波包分解子带能量越大故障信息越明显的特点,提出小波包样本熵的概念,较好地区分了轴承故障类型。接着将小波包样本熵用于滚动轴承故障趋势预测中,计算全寿命周期轴承试验台数据的小波包样本熵,利用EMD提取其中趋势,可以较好地预测滚动轴承的运行状态,比RMS值和峭度值更早地预报了故障的发展,说明小波包样本熵可以作为一种较好的轴承监测预报工具。 6.开发了基于LabView和Matlab混合编程的滚动轴承振动信号分析系统。介绍了系统开发环境和总体结构设计,讨论了各个模块的实现方法,并通过实际信号进行功能演示,验证了本系统的方便快捷和有效性。
【学位单位】：大连理工大学
【学位级别】：博士
【学位年份】：2010
【中图分类】：TH133.33;TB535
【文章目录】：
摘要
Abstract
1 绪论
    1.1 论文选题背景与意义
    1.2 滚动轴承故障诊断概述
        1.2.1 滚动轴承故障诊断的发展与现状
        1.2.2 常用的滚动轴承诊断方法
        1.2.3 滚动轴承的故障成因及振动分析
    1.3 滚动轴承故障诊断中几个关键问题研究现状
        1.3.1 解调方法的研究现状
        1.3.2 信号降噪方法的研究现状
        1.3.3 特征参数提取方法的研究现状
    1.4 论文的主要内容与结构安排
        1.4.1 论文研究的主要问题及思路
        1.4.2 论文的研究内容
2 基于EMD降噪和谱峭度法的滚动轴承故障诊断
    2.1 引言
    2.2 EMD的基本原理和性质
        2.2.1 EMD的基本原理
        2.2.2 EMD的完备性和正交性
    2.3 EMD降噪的处理方法
        2.3.1 基于阈值处理的EMD降噪方法
        2.3.2 基于滤波处理的EMD降噪方法
        2.3.3 两种EMD降噪方法的性能比较
    2.4 谱峭度理论
        2.4.1 谱峭度的定义
        2.4.2 谱峭度检测轴承故障的物理解释
        2.4.3 峭度图
    2.5 EMD降噪和谱峭度法的滚动轴承故障诊断步骤
    2.6 工程实例
    2.7 本章小结
3 基于 Morlet小波滤波和自相关增强算法的滚动轴承故障诊断
    3.1 引言
    3.2 Morlet小波滤波器的优化问题
        3.2.1 连续小波变换
        3.2.2 Morlet小波滤波器
        3.2.3 最优参数选择策略
    3.3 遗传算法
        3.3.1 染色体表示
        3.3.2 初始化种群
        3.3.3 适应度函数
        3.3.4 遗传操作
    3.4 自相关增强算法
        3.4.1 自相关运算
        3.4.2 自相关包络功率谱
        3.4.3 扩展Shannon熵函数
    3.5 性能评价
        3.5.1 仿真结果
        3.5.2 试验台数据结果
        3.5.3 实际故障轴承结果
    3.6 本章小结
4 双树复小波域隐Markov树模型降噪及其在滚动轴承故障诊断中的应用
    4.1 引言
    4.2 双树复小波变换
        4.2.1 离散小波变换(DWT)
        4.2.2 复小波变换(CWT)
        4.2.3 树复小波变换(DT-CWT)
        4.2.4 DT-CWT的滤波器设计
        4.2.5 DT-CWT的平移不变性分析实例
    4.3 小波系数的特性及统计模型
        4.3.1 小波系数的特性
        4.3.2 小波系数的边缘分布模型
    4.4 小波域隐Markov树(HMT)模型
        4.4.1 隐Markov模型
        4.4.2 HMT模型的原理
        4.4.3 HMT模型的训练算法
        4.4.4 DWT-HMT模型降噪
    4.5 树复小波域隐Markov树降噪模型
        4.5.1 DTCWT HMT1法
        4.5.2 DTCWT HMT2法
    4.6 仿真和实际信号验证
        4.6.1 仿真信号
        4.6.2 实际信号
    4.7 本章小结
5 小波包样本熵及其在滚动轴承故障诊断和预测中的应用研究
    5.1 引言
    5.2 熵概念的发展及泛化
        5.2.1 热力学的熵
        5.2.2 统计物理学的熵
        5.2.3 信息熵
        5.2.4 K-S熵
        5.2.5 近似熵
    5.3 样本熵
        5.3.1 算法描述
        5.3.2 性能讨论
        5.3.3 参数选择
    5.4 小波包分解
    5.5 小波包样本熵的特征提取方法研究
        5.5.1 小波包样本熵的特征提取方法
        5.5.2 实际信号分析
    5.6 小波包样本熵在故障趋势预测中的应用
        5.6.1 基于EMD的趋势提取方法
        5.6.2 试验台介绍
        5.6.3 实验结果
    5.7 本章小结
6 滚动轴承振动信号分析系统设计和开发
    6.1 引言
    6.2 开发环境介绍
    6.3 系统方案设计
    6.4 系统的实现
        6.4.1 数据采集模块
        6.4.2 数据管理模块
        6.4.3 信号分析模块
    6.5 系统应用实例
    6.6 本章小结
结论
参考文献
攻读博士学位期间发表学术论文情况
致谢
作者简介

【引证文献】

相关期刊论文 前7条

1 郭俊锋;郑晓慧;魏兴春;;滚动轴承振动信号的稀疏表示研究[J];甘肃科学学报;2014年03期

2 李宏坤;练晓婷;周帅;;小波尺度谱同步平均在弱信息识别中的应用[J];机械工程学报;2013年05期

3 张应红;李聪;景晖;闫建军;;基于人工神经网络技术的矿用带式输送机滚动轴承故障诊断[J];煤矿机械;2013年04期

4 薛光辉;赵新赢;吉晓冬;;基于冲击脉冲法滚动轴承状态监测研究[J];煤炭工程;2013年04期

5 周晓君;刘胜兰;;基于集合谱峭度法的轴承故障诊断[J];舰船科学技术;2013年09期

6 周晓君;刘胜兰;冀洵;;基于样本熵理论的进化论自适应消噪算法[J];舰船科学技术;2014年05期

7 陈特放;于天剑;陈雅婷;成庶;;基于盲反卷积去噪的机车走行部齿轮箱故障诊断[J];计算机测量与控制;2014年06期

相关博士学位论文 前8条

1 盖强;局域波时频分析方法的理论研究与应用[D];大连理工大学;2001年

2 王珍;基于局域波分析的柴油机故障诊断方法的研究及应用[D];大连理工大学;2002年

3 李萌;旋转机械轴承故障的特征提取与模式识别方法研究[D];吉林大学;2008年

4 张家凡;振动信号的包络解调分析方法研究及应用[D];武汉理工大学;2008年

5 周晓君;强噪声环境机械早期故障微弱信号特征分离算法研究[D];重庆大学;2012年

6 朱可恒;滚动轴承振动信号特征提取及诊断方法研究[D];大连理工大学;2013年

7 彭畅;旋转机械轴承振动信号分析方法研究[D];重庆大学;2014年

8 姜锐红;基于谱峭度及原子分解的滚动轴承故障诊断方法研究[D];上海大学;2014年

相关硕士学位论文 前10条

1 杨鑫;列车转向架轴承服役过程监测与故障诊断系统研究[D];北京交通大学;2012年

2 王善鹏;基于流形学习的滚动轴承故障特征提取方法研究[D];大连理工大学;2013年

3 王建利;滚动轴承性能退化评价与趋势预测研究[D];大连理工大学;2013年

4 朱美臣;电机轴承故障诊断[D];沈阳理工大学;2013年

5 张晓晓;基于信号处理的电气化铁路弓网接触压力分析[D];西南交通大学;2013年

6 郑晴晴;基于隐Markov模型的滚动轴承故障诊断方法研究[D];西南交通大学;2013年

7 黄志东;基于谱峭度的滚动轴承故障诊断方法研究[D];华南理工大学;2013年

8 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

9 林锦州;滚动轴承早期故障信号特征提取方法及应用研究[D];天津大学;2012年

10 温国强;基于多信息源的滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2013年

本文编号：2846445