【摘要】：滾動軸承是旋轉(zhuǎn)機械中最常見也是最易損壞的部件之一。滾動軸承故障會導(dǎo)致機器產(chǎn)生異常振動和噪聲,甚至引起機器損壞和人員傷亡等重大事故。因此研究軸承的故障診斷與監(jiān)測具有十分重要的意義。 因此,本文采用一種近些年在語音識別技術(shù)中發(fā)展較快的模式識別技術(shù)——隱馬爾可夫模型(Hidden Markov Model, HMM)來對滾動軸承的故障進行檢測和診斷。它具有模式分類能力強、訓(xùn)練樣本少、計算速度快等特點,比較適合非平穩(wěn)滾動軸承故障振動信號分析。HMM實現(xiàn)的基本方法通過對振動信號進行特征提取,訓(xùn)練具有相應(yīng)狀態(tài)數(shù)的隱馬爾可夫模型,然后計算待檢測信號的相似概率,根據(jù)相似概率中的最大值及相應(yīng)模型判斷信號的狀態(tài),從而達到信號模式分類目的。 本文的主要工作是利用HMM進行滾動軸承的故障診斷,包括四項研究內(nèi)容： 1.在學(xué)習(xí)和研究HMM理論的基礎(chǔ)上,探討了HMM三種經(jīng)典算法在故障診斷中的實際功能,并編制了基于MATLAB的實現(xiàn)程序,從而驗證了HMM理論在滾動軸承故障診斷中的可行性。 2.針對滾動軸承振動信號的非平穩(wěn)性、調(diào)制以及易受背景噪聲干擾等特點,采用小波變換對振動信號進行分解,提取一維信號中低頻系數(shù)作為故障特征值。對提取后的特征值可根據(jù)矢量量化(Vector Quantization, VQ)原理對其進行轉(zhuǎn)化,或利用高斯概率密度函數(shù)修正HMM參數(shù),最后輸入HMM進行判別。實驗證明小波分析提取特征值并結(jié)合HMM進行判斷在實際應(yīng)用中是可行的。 3.使用非平穩(wěn)信號分析的新方法—希爾伯特黃變換(Hilbert-Huang Transform)提取故障特征值,結(jié)合離散隱馬爾可夫模型進行軸承狀態(tài)判別。由于HHT提取的特征值簡單,所以加快了HHT的訓(xùn)練和診斷速度,最終較好地提高了診斷精度。 4.在學(xué)習(xí)和研究上述理論的基礎(chǔ)上,利用MATLAB GUI設(shè)計了滾動軸承故障特征提取與診斷的虛擬系統(tǒng),并采用仿真和實驗信號測試了該系統(tǒng)的有效性和實用性,為滾動軸承故障診斷系統(tǒng)的開發(fā)提供了一個范例。
【圖文】：

承的故障特征頻率均在1妞z一下，此項特征可以作為判斷軸承故障的重要特征之一來對待。下面簡單展示正常狀態(tài)和三種典型故障的振動信號，分別如圖1.2、圖1.3、圖1.4、圖1.5和圖1.6:0.1.08仿:04，

本文編號：2617389