基于Hilbert-Huang变换的滚动轴承智能诊断方法研究

发布时间：2021-01-18 20:30

　　滚动轴承是旋转机械中最常用，也是最易损坏的零部件之一。旋转机械的许多故障都与滚动轴承有关，它的运行状态是否正常往往直接影响到整台机器的性能。因此研究滚动轴承的故障诊断技术具有很现实的意义。本论文将时频分析新方法——希尔伯特-黄变换（Hilbert-Huang Transform，简称HHT）和自适应模糊神经网络（Adaptive Network-based Fuzzy Inference System，简称ANFIS）相结合应用于滚动轴承故障诊断中，实现了对滚动轴承的智能诊断。主要研究内容包括：搭建实验装置、设计实验方案；通过大量实验获取滚动轴承振动信号，对所得信号进行有效的分析处理，提取信号特征，从而识别出相应的轴承状态；将神经网络与模糊逻辑相结合作为分类器，对滚动轴承的工作状态和故障类型进行分类。HHT方法包括经验模态分解（Empirical Mode Decomposition，简称EMD）和Hilbert变换两部分。其中EMD是关键，它将信号分解成有限个固有模态函数（Intrinsic Mode Function，简称IMF）之和。然后对每一个IMF进行Hilbert变换，合并... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

孤lbert谱等高线

西南交通大学硕士研究生学位论文第22页同的幅值和频率按照式(2一25)合成，就可以得到式(2一27)所示仿真信号x(t)的Hilbert谱，如图2一13所示，是EUbert谱H(山，t)的等高线图，它表示了仿真信号x(t)的幅值随时间和频率的分布情况，因此是信号x(t)完整的时频分布.。其中，频率成分和幅值的微小波动是由于在EMD分解过程中产生的误差造成的。图2一14是仿真信号x(t)的FFT幅值谱，图2一巧是仿真信号x(t)的压lbert边际谱，从图中可以看出信号包含的频率成分和相应分量幅值的大小，有一些偏差是在EMD分解过程中产生的。比较图2一14和图2一巧可以看出

西南交通大学硕士研究生学位论文第22页同的幅值和频率按照式(2一25)合成，就可以得到式(2一27)所示仿真信号x(t)的Hilbert谱，如图2一13所示，是EUbert谱H(山，t)的等高线图，它表示了仿真信号x(t)的幅值随时间和频率的分布情况，因此是信号x(t)完整的时频分布.。其中，频率成分和幅值的微小波动是由于在EMD分解过程中产生的误差造成的。图2一14是仿真信号x(t)的FFT幅值谱，图2一巧是仿真信号x(t)的压lbert边际谱，从图中可以看出信号包含的频率成分和相应分量幅值的大小，有一些偏差是在EMD分解过程中产生的。比较图2一14和图2一巧可以看出

【参考文献】：
期刊论文
[1]一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用[J]. 毛炜,金荣洪,耿军平,李家强.  上海交通大学学报. 2006(05)
[2]基于HHT方法的爆破地震信号分析[J]. 张义平,李夕兵,赵国彦.  工程爆破. 2005(01)
[3]滚动轴承振动分析中的AR模型研究[J]. 赵联春,马家驹,范树迁,司忠志.  中国机械工程. 2004(03)
[4]EMD方法在齿轮故障诊断中的应用[J]. 于德介,程军圣.  湖南大学学报(自然科学版). 2002(06)
[5]进化小波网络及其在设备状态预测中的应用[J]. 何永勇,褚福磊,钟秉林.  机械工程学报. 2002(08)
[6]一种振动信号新变换法的研究[J]. 钟佑明,秦树人,汤宝平.  振动工程学报. 2002(02)
[7]机械故障诊断技术趋向分析[J]. 罗一新.  机床与液压. 2002(02)
[8]旋转机械故障诊断监测专家系统中的时间序列模式识别技术研究[J]. 韩秋实,许宝杰,王红军,方鹏.  机械工程学报. 2002(03)
[9]模糊神经网络在多传感器故障检测与诊断中的应用[J]. 沈毅,刘宜平,刘志言.  中国机械工程. 2001(10)
[10]非线性机械设备系统的分形神经网络诊断方法[J]. 侯祥林,李永强,虞和济,纪盛青.  振动工程学报. 2001(02)

博士论文
[1]基于Hilbert-Huang变换的旋转机械故障诊断方法研究[D]. 程军圣.湖南大学 2005
[2]面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D]. 胡劲松.浙江大学 2003

硕士论文
[1]基于小波分析的滚动轴承故障诊断方法研究[D]. 万良虹.华北电力大学（北京） 2004



本文编号：2985618