基于EEMD的滚动轴承微弱故障特征提取方法研究

发布时间：2017-09-15 05:22

  本文关键词：基于EEMD的滚动轴承微弱故障特征提取方法研究

  更多相关文章： 早期故障 EEMD 相关峭度 时延相关解调 自相关 边际谱

【摘要】：机械设备的构造十分复杂,每个零件之间相互的联系十分密切。任何一个部件损坏都会影响到设备的正常运转。轴承是旋转机械中极易损坏的部件之一。因此,研究有效的轴承故障诊断方法,特别是早期的微弱故障特征提取方法。及时发现并排除这些关键部件的故障,对设备安全生产具有重大意义。滚动轴承的故障信号,特别是早期的微弱故障信号往往淹没在强大的噪声背景下,不易提取。这些振动信号兼有非线性和非平稳的特点。本文从降噪和非线性的信号处理方法两方面入手,对滚动轴承的振动信号进行以下主要研究:经过理论和仿真分析,发现在非线性信号处理方面:EEMD分解较EMD分解有更好的抗混叠效果;自相关函数降噪性能优越,可保留信号原有的频率成分;时延相关解调在早期故障提取特征方面具有很大的优势。提出将相关峭度法应用在IMF分量优选方面,通过实测数据分析表明该方法在优选IMF分量方面的效果要明显优于峭度法和相关系数法。针对调制频率突出的高频信号,提出一种基于EEMD和相关峭度的时延相关解调故障特征提取方法。该方法先将信号进行EEMD分解,然后用相关峭度法来优选IMF分量,弥补了峭度法或相关系数法的不足。然后对重构信号进行时延相关解调,有效的削弱了经过EEMD分解给重构信号中增添的噪声的影响。通过仿真分析,发现该方法较基于EEMD分解后直接对重构信号Hilbert解调的效果更好,可准确的提取故障的基频及其倍频成分,提高了故障诊断的准确性。同时也说明了其在早期故障特征提取方面的优势。针对调制频率不明显的低频信号,提出了一种基于EEMD和自相关的边际谱故障特征提取方法。该方法先将信号进行EEMD分解,对其中具有低频故障且时域特征明显的IMF分量进行自相关降噪处理,该过程有效的抑制了与低频故障相似的频率干扰。然后对自相关处理后的IMF分量做边际谱分析。通过仿真实验,发现该方法不仅能去除故障频率外的边频带,而且比直接EEMD分解进行边际谱分析更加准确和有效。搭建了滚动轴承故障诊断实验台,利用以上提出的两种改进算法对滚动轴承内圈、外圈和滚动体的早期故障数据进行分析。验证了基于EEMD和相关峭度的时延相关解调法,优于EEMD分解后直接Hilbert解调的方法,其解调的故障基频和倍频都十分明显,适用于早期故障诊断;验证了基于EEMD和自相关的边际谱法优于EEMD分解后直接做边际谱方法,该方法有效抑制干扰边频带的同时使得提取的故障特征频率更加准确,提高了故障诊断的准确性和有效性。
【关键词】：早期故障 EEMD 相关峭度 时延相关解调 自相关 边际谱
【学位授予单位】：石家庄铁道大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.7;TH133.33
【目录】：

• 摘要3-5
• Abstract5-10
• 第一章 绪论10-19
• 1.1 课题研究目的及意义10-11
• 1.2 机械故障诊断技术国内外研究现状11-12
• 1.3 机械故障特征提取方法的国内外研究现状12-16
• 1.3.1 降噪技术的国内外研究现状12-14
• 1.3.2 信号处理时频分析方法国内外研究现状14-16
• 1.4 主要研究内容及创新点16-19
• 1.4.1 主要研究内容16-17
• 1.4.2 创新点17-19
• 第二章 EEMD分解和自相关分析19-39
• 2.1 引言19
• 2.2 EMD方法19-23
• 2.2.1 EMD的基本概念19-21
• 2.2.2 EMD分解步骤21
• 2.2.3 EMD的算法流程图21-22
• 2.2.4 EMD分解的特点22-23
• 2.3 EEMD方法23-29
• 2.3.1 EEMD分解步骤23
• 2.3.2 EEMD算法流程图23-24
• 2.3.3 参数设置24-25
• 2.3.4 EEMD和EMD抗模态混叠性能对比25-29
• 2.4 自相关降噪分析29-36
• 2.4.1 自相关函数定义29-30
• 2.4.2 调制信号的自相关分析30-32
• 2.4.3 自相关降噪32-34
• 2.4.4 仿真信号分析34-36
• 2.5 时延相关解调法研究36-38
• 2.6 本章小结38-39
• 第三章 基于EEMD的改进时延相关解调法39-51
• 3.1 引言39
• 3.2 IMF优选准则39-44
• 3.2.1 互相关系数法40
• 3.2.2 峭度法40
• 3.2.3 相关峭度法40-41
• 3.2.4 实验验证41-44
• 3.3 基于EEMD和相关峭度的时延相关解调的故障特征提取方法44-50
• 3.3.1 滚动轴承的故障模型及仿真信号45-46
• 3.3.2 仿真信号分析46-50
• 3.4 本章小结50-51
• 第四章 基于EEMD的改进边际谱方法51-57
• 4.1 引言51
• 4.2 边际谱51-52
• 4.3 基于EEMD和自相关的边际谱的故障特征提取方法52
• 4.4 仿真信号分析52-56
• 4.5 本章小结56-57
• 第五章 实验验证57-74
• 5.1 实验系统设计57-60
• 5.1.1 整体方案57
• 5.1.2 硬件系统57-60
• 5.1.3 软件系统60
• 5.2 实验数据60-63
• 5.2.1 滚动轴承参数60-61
• 5.2.2 实验工况及数据61-63
• 5.3 基于EEMD和相关峭度的时延相关解调法的故障诊断实例分析63-71
• 5.3.1 滚动轴承内圈数据分析63-65
• 5.3.2 滚动轴承外圈数据分析65-68
• 5.3.3 滚动体数据分析68-71
• 5.4 基于EEMD和自相关的边际谱法的故障诊断实例分析71-73
• 5.5 本章小结73-74
• 第六章 结论与展望74-76
• 6.1 结论74-75
• 6.2 展望75-76
• 参考文献76-81
• 致谢81-82
• 个人简介、在学期间的研究成果及发表的学术论文82

【相似文献】

中国期刊全文数据库 前9条

1 赵明生;梁开水;罗元方;徐玉萍;;EEMD在爆破振动信号去噪中的应用[J];爆破;2011年02期

2 郑旭;郝志勇;金阳;卢兆刚;;基于EEMD与广义S变换的内燃机噪声源识别研究[J];内燃机工程;2011年05期

3 常鹏;高亚静;张琳;李均强;;基于EEMD与时间序列法的短期风电场功率预测[J];电力科学与工程;2012年03期

4 秦娜;金炜东;黄进;李智敏;刘景波;;基于EEMD样本熵的高速列车转向架故障特征提取[J];西南交通大学学报;2014年01期

5 刘俊;王占林;付永领;郭彦青;;基于EEMD分解的直驱式机电作动器故障诊断[J];北京航空航天大学学报;2012年12期

6 秦娜;金炜东;黄进;李智敏;刘景波;;基于EEMD的高速列车转向架故障诊断[J];计算机工程;2013年12期

7 陈成法;李树珉;张建生;张英锋;孙长库;;基于EEMD及敏感IMF的再制造发动机振动模式研究[J];振动与冲击;2014年02期

8 夏均忠;苏涛;张阳;王龙;冷永刚;;基于EEMD能量熵及LS-SVM滚动轴承故障诊断[J];噪声与振动控制;2014年03期

9 ;[J];;年期

中国重要会议论文全文数据库 前1条

1 夏江江;严中伟;;北京地区城市化进程对局地生长季变化的影响[A];第28届中国气象学会年会——S7城市气象精细预报与服务[C];2011年

中国博士学位论文全文数据库 前1条

1 赵肖宇;基于EMD和EEMD的自适应光谱预处理方法及其应用研究[D];燕山大学;2015年

中国硕士学位论文全文数据库 前1条

1 王少君;基于EEMD的滚动轴承微弱故障特征提取方法研究[D];石家庄铁道大学;2016年

，

本文编号：854559