基于多传感器信息融合的滚动轴承故障诊断研究

发布时间：2017-09-19 05:37

  本文关键词：基于多传感器信息融合的滚动轴承故障诊断研究

  更多相关文章： 滚动轴承 小波分析 频率特征 多传感器信息融合 神经网络 故障诊断系统

【摘要】：随着社会进步,科学技术日新月异,在能源、运载、国防等涉及国计民生领域,常常需要制造大型、复杂、难加工的精密零件,因此对加工这些精密零件的数控机床的精度、可靠性及寿命等提出了更高的要求。在高速、高加速度、重载荷等非常规工况下,振动、冲击、变形等因素常对数控机床产生很大影响,容易导致数控机床部件发生故障或者损坏。一方面影响到工件的加工质量,另一方面造成数控机床的可靠性降低、寿命缩短甚至报废。滚动轴承是数控机床进给系统中最重要最易损坏的部件,大约有30%的机械故障都是由滚动轴承引起的[1],因此研究滚动轴承状态信息与故障之间的关系,并在此基础上对滚动轴承故障进行有效的监测与诊断具有重要的现实意义和经济意义。传统的单一传感器检测滚动轴承故障的方法,由于检测信息少,且容易受到外界干扰或传感器自身故障等多个方面的原因,会使诊断的准确率偏低,甚至造成误判或错判。因此,本文基于多传感器信息融合技术,研究诊断数控机床滚动轴承故障的技术与方法。多传感器信息融合的基本原理是充分利用多传感器信息,并通过对这些传感器及其检测信息的合理支配和使用,将各传感器在空间和时间上的冗余或互补信息依据某种准则进行组合,产生对被测对象的一致性解释或描述。其目的是通过对多传感器检测信息的多方优化导出更多的有用信息,最终提高诊断的准确率和有效性,消除单个传感器自身的局限性。多传感器信息融合的突出优点就是信息的冗余性、容错性、互补性、实时性和低成本性。 本文以LabVIEW软件作为开发平台,设计了一套数控机床进给系统中滚动轴承的故障诊断系统。通过分析滚动轴承故障信号的特征,选用加速度传感器和电流传感器检测滚动轴承的振动信号和电机电流信号,进行预处理后,经NI ELVIS送入NI中的PCI-6251数据采集卡,基于LabVIEW软件平台编程,实现对检测信号的数据采集;同时结合数据库技术,将LabVIEW和Microsoft Access数据库相接,设计了数据库管理系统,实现了对数据的存储、查询、添加、修改和删除等功能;利用LabVIEW软件良好的硬件匹配性和Matlab软件强大而方便的信号处理功能,在LabVIEW中用Matlab Script Node调用Matlab软件对检测信号进行小波降噪和小波分析;采用Hilbert变换对小波分解的第一层细节信号进行解调,获取滚动轴承的故障信号,并通过快速傅立叶变换对滚动轴承信号进行频谱分析;通过理论计算求出滚动轴承的故障特征频率,在频谱图中以滚动轴承的故障频率为中心频率,向前2.5Hz和向后2.5Hz这一5Hz的频带宽的能量作为滚动轴承的故障信号特征值,经归一化处理后,得出滚动轴承内圈、外圈和滚动体的故障频率的特征值;把得到的特征值作为特征向量,运用BP神经网络的动量改进算法,对多传感器检测的滚动轴承故障信息进行融合,经对神经网络进行训练和仿真,最终构造出具有高效率、高可靠性的数控机床滚动轴承故障诊断系统。
【关键词】：滚动轴承 小波分析 频率特征 多传感器信息融合 神经网络 故障诊断系统
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要6-8
• Abstract8-10
• 第1章 绪论10-14
• 1.1 课题研究的目的和意义10-11
• 1.2 国内外滚动轴承故障诊断的研究现状11-12
• 1.3 本文的主要研究内容12-14
• 第2章 滚动轴承故障诊断的硬件设计14-29
• 2.1 引言14
• 2.2 传感器的选择14-15
• 2.3 加速度传感器15-17
• 2.4 电流传感器17-19
• 2.5 CA-3 电荷放大器19-21
• 2.6 NI ELVIS21-22
• 2.7 数据采集系统22-28
• 2.7.1 数据采集卡的选择22-24
• 2.7.2 数据采集卡的安装24-25
• 2.7.3 数据采集参数设置25-28
• 2.8 本章小结28-29
• 第3章 滚动轴承故障诊断的软件设计29-46
• 3.1 引言29
• 3.2 故障诊断软件系统的开发环境-LabVIEW29-32
• 3.3 Matlab Script Node 节点32-33
• 3.4 软件系统的总体设计33-35
• 3.5 故障诊断系统的功能模块设计35-45
• 3.5.1 数据采集模块35-36
• 3.5.2 信号加窗36-37
• 3.5.3 数据分析模块37-40
• 3.5.4 数据存储模块40-45
• 3.6 本章小结45-46
• 第4章 基于神经网络的多传感器信息融合技术46-56
• 4.1 引言46
• 4.2 数据融合的方法46-47
• 4.3 动量改进BP 神经网络47-51
• 4.3.1 神经元类型47-49
• 4.3.2 BP 神经网络的改进算法49-51
• 4.4 BP 神经网络故障诊断系统51-54
• 4.4.1 滚动轴承故障信号的特征向量51-53
• 4.4.2 滚动轴承故障诊断的动量改进BP 神经网络的设计53-54
• 4.5 本章小结54-56
• 第5章 实验及数据分析56-68
• 5.1 试验系统组成56-58
• 5.2 实验步骤58
• 5.3 实验分析58-67
• 5.3.1 滚动轴承故障诊断图像分析58-62
• 5.3.2 网络训练及应用62-67
• 5.4 本章小结67-68
• 第6章 结论与展望68-70
• 6.1 全文工作总结68-69
• 6.2 研究工作的展望69-70
• 参考文献70-74
• 攻读硕士期间发表的学术论文74-75
• 致谢75

【参考文献】

中国期刊全文数据库 前10条

1 徐振辉,马立元;滚动轴承的故障特征提取[J];兵工自动化;2004年01期

2 杨帆,浦昭邦,庄严,赵玉刚;基于信息融合的滚动轴承故障诊断[J];轴承;2005年02期

3 于云满,胡萍,邵强,胡红英,赵志宇;小波分析及其在轴承振动诊断中的应用[J];大连大学学报;2002年06期

4 尹仁平;刘刚;汪立新;乔云生;;LabVIEW中的数据库访问[J];电子测量技术;2006年03期

5 吴松涛;龚家伟;;在LabVIEW中利用LabSQL实现数据库访问[J];国外电子测量技术;2006年04期

6 任国全,韦有民,郑海起;基于小波分析的轴承故障诊断研究[J];河北省科学院学报;2002年02期

7 王建群,南金瑞,孙逢春,付立鼎;基于LabVIEW的数据采集系统的实现[J];计算机工程与应用;2003年21期

8 夏利民;基于Kohonen神经网络的滚动轴承故障诊断[J];计算机工程;2003年03期

9 黄海鹰,朱跃松,王稚生,戴丽;滚动轴承早期故障诊断技术的应用[J];金山油化纤;1999年04期

10 刘忠祥,邱阿瑞,刘玉伟;小波变换在滚动轴承故障诊断中的应用[J];机械工程师;2002年03期

中国硕士学位论文全文数据库 前5条

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

2 李军;改进的BP算法在汽轮机热力系统故障诊断与预测中的应用研究[D];重庆大学;2004年

3 崔宝珍;基于小波分析的滚动轴承故障诊断方法研究与应用[D];中北大学;2005年

4 孔亚林;基于振动信号的滚动轴承故障诊断方法研究[D];大连理工大学;2006年

5 黄建新;多传感器数据融合技术在轴承故障诊断中的应用研究[D];武汉理工大学;2006年

，

本文编号：879801