本文選題：滾動軸承 + 故障診斷�。� 參考：《石家莊鐵道大學》2016年碩士論文

【摘要】：滾動軸承是應用在旋轉機械中最為廣泛的零部件之一,故監(jiān)測滾動軸承的工作狀態(tài),避免發(fā)生嚴重事故,具有重要的經濟價值和現(xiàn)實意義。軸承故障的診斷可有效預防突發(fā)性事故的發(fā)生,是機械系統(tǒng)安全運行的重要保證,因此,本文以滾動軸承為研究對象,從軸承振動信號的處理著手,針對滾動軸承特征頻率提取的問題,進行了一系列的研究工作。主要內容如下:首先,在理論分析和工程應用的基礎上,系統(tǒng)闡述了此課題的研究背景及實際意義,對滾動軸承的結構、振動機理、診斷方法及各方法在滾動軸承故障特征提取中應用的研究現(xiàn)狀、研究進展與發(fā)展趨勢進行了較為全面的闡述。之后根據(jù)機械故障診斷理論闡述軸承各部分故障的特征頻率的計算方法。其次,為了克服經驗模態(tài)分解(empirical mode decomposition,EMD)方法中模態(tài)混疊和欠包絡等缺陷,文章從頻率分離、過分割、初始化收斂和非平穩(wěn)信號的多模態(tài)等方面介紹了變分模態(tài)分解(variational mode decomposition,VMD)方法,通過仿真信號分析了VMD方法對非平穩(wěn)信號的分解效果,實驗證明,對于非平穩(wěn)信號,VMD算法能很好的完成頻率分離,克服模態(tài)混疊。再次,針對滾動軸承早期故障振動信號信噪比低、故障特征提取困難的問題,文章提出了基于變分模態(tài)分解和Teager能量算子的滾動軸承故障提取方法。首先對故障信號進行VMD分解,得到若干本征模態(tài)(intrinsic mode function,IMF)分量;其次,通過峭度準則選取前兩個峭度最大的分量進行重構,對重構信號進行Teager能量算子解調,得到信號的Teager能量譜。將該方法應用到滾動軸承仿真故障數(shù)據(jù)和實際數(shù)據(jù)中,結果表明,該方法提高了信號的分解效率,降低了噪聲的影響,能夠實現(xiàn)滾動軸承故障的精確診斷,證明了該方法的有效性。最后,針對滾動軸承故障振動信號的非平穩(wěn)特征和難以獲得大量典型故障樣本的實際情況,提出了基于變分模態(tài)分解排列熵和支持向量機(support vector machine,SVM)的滾動軸承故障診斷方法。該方法首先對故障信號進行VMD分解,得到若干IMF分量;求解包含有主要故障信息的IMF分量的排列熵,取各分量的排列熵組成特征向量,最后將其作為SVM的輸入來實現(xiàn)滾動軸承的故障分類。將該方法應用到滾動軸承振動信號故障診斷中,結果表明,該方法能夠實現(xiàn)滾動軸承故障的精確診斷,證明了該方法的有效性和可行性。
[Abstract]:Rolling bearing is one of the most widely used parts in rotating machinery, so it is of great economic value and practical significance to monitor the working condition of rolling bearing and avoid serious accidents. The diagnosis of bearing fault can effectively prevent the occurrence of sudden accident and is an important guarantee for the safe operation of mechanical system. Therefore, this paper takes the rolling bearing as the research object and starts with the processing of bearing vibration signal. Aiming at the problem of feature frequency extraction of rolling bearing, a series of research work was carried out. The main contents are as follows: firstly, on the basis of theoretical analysis and engineering application, the research background and practical significance of this subject, the structure and vibration mechanism of rolling bearings are systematically expounded. The research status, research progress and development trend of fault feature extraction of rolling bearing are discussed in detail. Then, according to the theory of mechanical fault diagnosis, the calculation method of characteristic frequency of each part of bearing fault is expounded. Secondly, in order to overcome the defects of the empirical mode decomposition (EMD) method, such as modal aliasing and underenvelope, this paper introduces the variational mode decomposition (VMD) method from the aspects of frequency separation, over-segmentation, initialization convergence and multimodal of non-stationary signals. The decomposition effect of VMD method to non-stationary signal is analyzed by simulation signal. Experiments show that the algorithm can achieve frequency separation and overcome modal aliasing. Thirdly, aiming at the problem of low signal-to-noise ratio (SNR) of early fault vibration signal and difficulty of fault feature extraction, a fault extraction method based on variational mode decomposition (VMD) and Teager energy operator is proposed in this paper. Firstly, the fault signal is decomposed by VMD, and some intrinsic mode intrinsics mode function IMF components are obtained. Secondly, the first two largest kurtosis components are selected to reconstruct the reconstructed signal, and the Teager energy operator is used to demodulate the reconstructed signal. The Teager energy spectrum of the signal is obtained. The method is applied to the rolling bearing simulation fault data and the actual data. The results show that the method improves the signal decomposition efficiency, reduces the influence of noise, and can realize the accurate diagnosis of rolling bearing fault. The effectiveness of the method is proved. Finally, a fault diagnosis method for rolling bearing based on variational mode decomposition permutation entropy and support vector machine (SVM) is presented in view of the non-stationary characteristics of rolling bearing fault vibration signal and the fact that it is difficult to obtain a large number of typical fault samples. The method firstly decomposes the fault signal by VMD, obtains some IMF components, solves the permutation entropy of the IMF component containing the main fault information, and takes the permutation entropy of each component to form the eigenvector. Finally, it is used as the input of SVM to realize the fault classification of rolling bearing. The method is applied to the fault diagnosis of rolling bearing vibration signal. The results show that the method can accurately diagnose the rolling bearing fault, and proves the effectiveness and feasibility of the method.
【學位授予單位】：石家莊鐵道大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內燃機配件;2000年03期

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應用[J];試驗技術與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調頻小波變換的滾動軸承故障研究[J];機械設計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應用[J];中國設備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

相關會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

2 劉玉林;;貨車滾動軸承故障不分解診斷技術參數(shù)選擇與優(yōu)化探討[A];擴大鐵路對外開放、確保重點物資運輸——中國科協(xié)2005年學術年會鐵道分會場暨中國鐵道學會學術年會和粵海通道運營管理學術研討會論文集[C];2005年

3 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

4 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

5 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

6 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

7 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產技術會議暨煉鐵年會文集（上冊）[C];2008年

8 李興林;;滾動軸承故障診斷技術現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

9 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

10 高耀智;;高階統(tǒng)計量與小波分析相結合在滾動軸承故障診斷中的應用[A];2009年全國青年摩擦學學術會議論文集[C];2009年

相關博士學位論文 前10條

1 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術研究[D];南京航空航天大學;2014年

2 廖強;約束獨立分量和多小波分析在滾動軸承故障診斷中的應用[D];電子科技大學;2016年

3 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應用[D];湖南大學;2016年

4 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

5 楊柳松;基于小波分析與神經網絡滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

6 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

7 趙協(xié)廣;基于小波變換和經驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

8 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

9 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

10 孟濤;齒輪與滾動軸承故障的振動分析與診斷[D];西北工業(yè)大學;2003年

相關碩士學位論文 前10條

1 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

2 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

3 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

4 王德麗;基于改進HHT與SVM的滾動軸承故障診斷方法研究[D];北京交通大學;2016年

5 邵海賀;基于EEMD和最小二乘支持向量機的滾動軸承故障診斷方法研究[D];長春工業(yè)大學;2016年

6 張磊;滾動軸承故障程度和工況不敏感智能診斷方法研究[D];華東交通大學;2016年

7 胡猛;基于局部均值分解的滾動軸承故障診斷方法研究[D];燕山大學;2016年

8 蘇翠嬌;AMD和EMD方法在滾動軸承故障診斷中的應用研究[D];燕山大學;2016年

9 王騰超;基于振動監(jiān)測的風電機組滾動軸承故障診斷應用研究[D];燕山大學;2016年

10 李亞超;基于VMD的滾動軸承故障診斷方法研究[D];石家莊鐵道大學;2016年

，

本文編號：1827596