基于多信息源的滚动轴承故障诊断方法与实验研究

发布时间：2017-06-04 12:03

  本文关键词：基于多信息源的滚动轴承故障诊断方法与实验研究，由笔耕文化传播整理发布。

【摘要】：滚动轴承是旋转机械设备中的重要基础部件，，也是导致机械设备运行故障的主要来源之一。因此，研究滚动轴承的故障诊断技术对于尽早识别出轴承的初期故障，并且作出及时的维护处理，进而提高相关机械设备运行性能与使用寿命，具有极为重要的意义。 本文以数控机床滚动轴承作为研究对象，综合分析了轴承的故障机理，并总结讨论了传统的轴承故障诊断方法与智能诊断理论的优缺点。考虑到单一故障信息无法全面地反映出轴承的故障特征，这里引入了多源信息融合技术。通过在线获取滚动轴承振动信号、噪声信号、温度信号及机床内部信息，并借助相应的信号处理技术依次实现多源信息的数据级与特征级融合，最终设计开发出一套基于多信息源的滚动轴承故障诊断系统。主要研究内容包括： 从滚动轴承的基本结构出发，研究了滚动轴承的主要失效形式与原因，建立了轴承故障征兆与故障原因之间的对应关系。依据机床轴承故障信号特征、轴承尺寸及安装位置，确定了外置传感器的选型与安装方式；同时依据数控机床内部信息与轴承故障间的关联性，研究并提取出与轴承故障相关的内部信息。由于数据采集需满足多通道同步采集原则，所以在选用多通道同步采集板卡——NIPCI-6143的基础上，根据所需采集信号的特征编制了信号采集程序，并进行调试与参数设定，建立基于NI和LabVIEW测试平台的NI多通道数据采集系统。 针对滚动轴承故障信号的非线性非平稳性特征，引入了统计理论与经验模态分解（EMD）方法并进行了原理分析。分别利用统计理论与EMD法实现故障信号时域、频域及时频域特征的提取与分析，并借助MicrosoftAccess数据库的数据管理技术将所有数据的时频域特征提取出来并整合成特征集。 鉴于多类大量的特征值会使诊断过程复杂化，依据粗糙集在去除冗余信息，提取关键性特征方面的优势，应用该理论对故障特征进行属性约简，实现变量筛选。对比于传统BP神经网络的训练速度慢及收敛难度大的不足，这里引入RBF神经网络对故障模式进行识别，通过实验验证，RBF网络在收敛速度、诊断精度方面有明显的优势。 整合数据采集、特征提取、特征筛选、模式识别四部分，建立了一套以多源信息融合理论为核心，以EMD、粗糙集及RBF神经网络为理论依据的滚动轴承故障诊断系统。经实验验证：该诊断系统无论是在诊断速度、正判率以及稳定性等方面都优于传统的轴承故障诊断方法，且具有诊断实时性与通用性。
【关键词】：滚动轴承 故障诊断 多源信息融合 粗糙集 经验模态分解 RBF神经网络 模式识别
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TH133.33;TH165.3
【目录】：

• 目录6-9
• 摘要9-11
• Abstract11-13
• 第1章 绪论13-20
• 1.1 课题概述13-14
• 1.1.1 课题来源13
• 1.1.2 立题背景及意义13-14
• 1.2 滚动轴承故障诊断的发展与研究现状14-18
• 1.2.1 滚动轴承故障的传统诊断方法14-15
• 1.2.2 滚动轴承故障的智能诊断技术15-17
• 1.2.3 基于多源信息融合的故障诊断技术17-18
• 1.3 论文的具体研究内容18-20
• 第2章 滚动轴承及其故障机理分析20-26
• 2.1 滚动轴承简介20-22
• 2.1.1 滚动轴承结构20-21
• 2.1.2 滚动轴承典型失效形式21-22
• 2.2 滚动轴承振动特征分析22-24
• 2.2.1 滚动轴承故障特征频率22
• 2.2.2 频谱分析22-24
• 2.3 滚动轴承故障检测方法选择24-25
• 2.4 本章小结25-26
• 第3章 滚动轴承故障信号采集系统26-35
• 3.1 信号采集系统概述26
• 3.2 实验仪器设备26-33
• 3.2.1 轴承故障模拟26-27
• 3.2.2 传感器选型27-32
• 3.2.3 数据采集卡选型32-33
• 3.3 传感器布置方式33
• 3.4 基于 LabVIEW 的信号采集编程实现33-34
• 3.5 本章小结34-35
• 第4章 滚动轴承故障信号分析与处理35-53
• 4.1 信号分析与处理概述35
• 4.2 信号特征提取35-43
• 4.2.1 时域分析法35-36
• 4.2.2 频域分析法36-41
• 4.2.3 时频分析法41-43
• 4.3 特征筛选43-52
• 4.3.1 粗糙集理论44
• 4.3.2 粗糙集理论的相关定义44-49
• 4.3.3 基于粗糙集法的故障特征筛选49-52
• 4.4 本章小结52-53
• 第5章 基于人工神经网络的滚动轴承故障模式识别53-61
• 5.1 人工神经网络53-54
• 5.2 BP 神经网络54-57
• 5.2.1 BP 神经网络基本思想54-55
• 5.2.2 BP 神经网络学习过程55-56
• 5.2.3 BP 神经网络结构设计56-57
• 5.3 RBF 神经网络57-60
• 5.3.1 RBF 神经网络基本思想57-58
• 5.3.2 RBF 神经网络学习过程58-60
• 5.3.3 RBF 神经网络结构设计60
• 5.4 本章小结60-61
• 第6章 基于多信息源的滚动轴承故障诊断系统设计61-87
• 6.1 滚动轴承故障诊断流程61-62
• 6.2 信号采集62-65
• 6.2.1 故障件制备62-63
• 6.2.2 传感器及数据采集卡选型63
• 6.2.3 传感器布点63-64
• 6.2.4 机床启动预热阶段64-65
• 6.3 特征提取65-68
• 6.3.1 时、频域特征提取66-67
• 6.3.2 EMD 分解67-68
• 6.4 特征筛选68-76
• 6.4.1 Rosetta 软件68-69
• 6.4.2 特征筛选过程69-76
• 6.5 模式识别76-86
• 6.5.1 BP 神经网络设计76-77
• 6.5.2 RBF 神经网络设计77
• 6.5.3 BP 网络与 RBF 网络对比分析77-86
• 6.6 本章小结86-87
• 第7章 结论与展望87-90
• 7.1 结论87
• 7.2 展望87-90
• 参考文献90-94
• 攻读硕士学位期间发表的学术论文94-95
• 致谢95

【参考文献】

中国期刊全文数据库 前10条

1 高立新;王大鹏;刘保华;丁庆新;丁芳;李民;;轴承故障诊断中共振解调技术的应用研究[J];北京工业大学学报;2007年01期

2 董辛e

本文编号：420894