【摘要】：滾動軸承是旋轉(zhuǎn)機(jī)械最重要的零部件之一,也是最容易發(fā)生故障的機(jī)械部件,其運(yùn)行狀態(tài)直接關(guān)系到工業(yè)生產(chǎn)的安全。因此,分析滾動軸承振動信號,監(jiān)測軸承運(yùn)行狀態(tài),進(jìn)行滾動軸承故障診斷,具有重要的理論研究價(jià)值和實(shí)際應(yīng)用價(jià)值。滾動軸承運(yùn)行的動力學(xué)行為具有非線性的性質(zhì),其產(chǎn)生的振動信號具有明顯的非線性和非平穩(wěn)性,且振動信號受強(qiáng)噪聲等影響,大大增加了滾動軸承故障診斷的難度。論文針對基于單通道信息的頻譜分析方法存在可靠性低、頻譜幅值不突出的問題,圍繞滾動軸承振動信號降噪處理、特征提取和故障識別等問題展開研究,解決旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測問題中的信號處理與狀態(tài)識別等關(guān)鍵問題與技術(shù)難點(diǎn),實(shí)現(xiàn)滾動軸承運(yùn)行狀態(tài)監(jiān)測與故障診斷,研究內(nèi)容如下:(1)針對基于單通道信息的頻譜分析方法容易引起信息不全、可靠性低和頻譜幅值不突出的問題,提出了EEMD和全矢包絡(luò)譜相結(jié)合的特征提取方法。首先對雙通道振動信號進(jìn)行EEMD分解,然后根據(jù)峭度準(zhǔn)則選取有效IMF分量重構(gòu)信號,最后使用全矢包絡(luò)譜融合雙通道重構(gòu)信號以完成軸承故障特征提取。該方法能夠全面、準(zhǔn)確地提取出特征頻率,實(shí)驗(yàn)結(jié)果表明,較之單通道頻譜分析方法,本文方法具有更高的可靠性。(2)針對根據(jù)峭度準(zhǔn)則選取IMF分量,存在著分量選取不穩(wěn)定的問題,提出了多特征選取的EEMD和全矢包絡(luò)譜相結(jié)合的特征提取方法。該方法在EEMD和全矢包絡(luò)譜的特征提取方法基礎(chǔ)上,將峭度值與均方根值相結(jié)合構(gòu)造為多特征指標(biāo),用以選取有效分量,避免了由單一指標(biāo)分量選取方法產(chǎn)生的不穩(wěn)定。該方法有效解決了IMF分量選取不穩(wěn)定的問題,實(shí)驗(yàn)結(jié)果表明,較之單一指標(biāo)分量選取方法,本文方法具有更高的穩(wěn)定性和可靠性。(3)針對實(shí)際工業(yè)過程中滾動軸承振動信號受強(qiáng)噪聲干擾,難以提取其故障特征的問題,提出了MCKD-EEMD和全矢包絡(luò)譜相結(jié)合的特征提取方法。該方法在多特征選取的EEMD和全矢包絡(luò)譜的特征提取方法基礎(chǔ)上,將MCKD作為EEMD的前置濾波器,增強(qiáng)振動信號中的故障沖擊成分,降低強(qiáng)噪聲的影響。實(shí)驗(yàn)結(jié)果表明,該方法在強(qiáng)噪聲背景下有效提取出了滾動軸承故障特征,相比于多特征選取的EEMD和全矢包絡(luò)譜方法具有一定的優(yōu)越性。本文以旋轉(zhuǎn)機(jī)械中的滾動軸承為研究對象,進(jìn)行了振動信號降噪處理、特征提取和故障識別等問題的研究,豐富了滾動軸承故障診斷理論的研究內(nèi)容,具有一定的應(yīng)用價(jià)值。
【圖文】：

圖 1.1 全息譜示意圖法存在著一定的局限性，如頻譜分辨率不高。由于在全息情況以橢圓形式進(jìn)行表示，，占圖譜尺寸比較大，使得一張量有限，而當(dāng)其頻率差別較小時(shí)，還會出現(xiàn)橢圓軌跡混疊息譜方法的頻譜圖是以橢圓形式進(jìn)行表示，因此很難與常ilbert 包絡(luò)譜）進(jìn)行結(jié)合。譜方法，美國 Bently 公司提出了基于信息融合的全頻譜分析方是，將轉(zhuǎn)子在各個(gè)頻率下的軸心軌跡分解為做正進(jìn)動和反正圓軌跡方向與轉(zhuǎn)子運(yùn)動方向相同為正進(jìn)動，反之則為子的旋轉(zhuǎn)頻率相同。利用該方法對轉(zhuǎn)子系統(tǒng)進(jìn)行特征提取的正圓半徑分別在正、負(fù)頻率上表示出來，其半徑大小代頻譜結(jié)果就可以得知轉(zhuǎn)子的進(jìn)動方向，如圖 1.2 所示。

圖 1.2 全頻譜示意圖全息譜分析方法，全頻譜分析方法具有更高的圖譜分辨率判斷轉(zhuǎn)子進(jìn)動方向。但其仍存在著一定的局限性，如不能度。譜方法述方法存在的局限性，鄭州大學(xué)振動工程研究所的韓捷教正交雙通道信息融合的全矢譜分析方法。該方法是在全息上提出的，其主要思想是：轉(zhuǎn)子的渦動現(xiàn)象是各諧波頻率為一系列橢圓。其中用橢圓的長半軸來評價(jià)轉(zhuǎn)子的最大振如圖 1.3 所示。通過提取全矢譜主振矢的特征頻率，即可許多研究學(xué)者已將其應(yīng)用于滾動軸承的故障診斷，并取得[33]
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TH133.33

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭遠(yuǎn)晶;魏燕定;周曉軍;;基于STFT時(shí)頻譜系數(shù)收縮的信號降噪方法[J];振動.測試與診斷;2015年06期

2 姜萬錄;鄭直;胡浩松;;基于EEMD形態(tài)譜和支持向量機(jī)復(fù)合的滾動軸承故障診斷方法[J];工程科學(xué)學(xué)報(bào);2015年S1期

3 向丹;岑健;;基于EMD熵特征融合的滾動軸承故障診斷方法[J];航空動力學(xué)報(bào);2015年05期

4 鄭直;姜萬錄;胡浩松;朱勇;李揚(yáng);;基于EEMD形態(tài)譜和KFCM聚類集成的滾動軸承故障診斷方法研究[J];振動工程學(xué)報(bào);2015年02期

5 唐貴基;王曉龍;;參數(shù)優(yōu)化變分模態(tài)分解方法在滾動軸承早期故障診斷中的應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);2015年05期

6 喬志剛;;基于網(wǎng)格搜索和支持向量機(jī)的礦用風(fēng)機(jī)故障診斷研究[J];中州煤炭;2015年02期

7 張玉欣;程志峰;徐正平;白晶;;參數(shù)尋優(yōu)支持向量機(jī)在基于光聲光譜法的變壓器故障診斷中的應(yīng)用[J];光譜學(xué)與光譜分析;2015年01期

8 亢生彩;;網(wǎng)格搜索法SVM參數(shù)優(yōu)化在主扇風(fēng)機(jī)故障診斷中的應(yīng)用[J];煤炭技術(shù);2015年01期

9 馮研研;艾延廷;周海侖;;改進(jìn)形態(tài)濾波與LMD結(jié)合的滾動軸承故障診斷方法研究[J];機(jī)械設(shè)計(jì)與制造;2015年01期

10 鞏曉ok;楊春燕;韓捷;陳宏;;基于小波包的全信息解調(diào)方法及其應(yīng)用[J];振動.測試與診斷;2014年04期

相關(guān)博士學(xué)位論文 前2條

1 劉尚坤;基于振動信號處理的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D];華北電力大學(xué)(北京);2017年

2 鞏曉峗;基于全矢譜的非平穩(wěn)故障診斷關(guān)鍵技術(shù)研究[D];鄭州大學(xué);2013年

相關(guān)碩士學(xué)位論文 前9條

1 汪志君;基于EEMD的共振解調(diào)技術(shù)在動車組軸承故障診斷中的應(yīng)用[D];北京交通大學(xué);2017年

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

3 王辭;基于LCD和PSO-LSSVM的城軌列車滾動軸承故障診斷研究[D];北京交通大學(xué);2015年

4 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(xué);2015年

5 劉覺曉;基于EEMD的滾動軸承振動故障特征提取與診斷研究[D];華北電力大學(xué);2015年

6 楊潘;基于局部特征尺度分解的滾動軸承故障診斷方法[D];湖南大學(xué);2014年

7 朱丕亮;基于小波包能量譜的滾動軸承故障診斷[D];中國科學(xué)技術(shù)大學(xué);2014年

8 石帥鋒;非線性軸承—轉(zhuǎn)子系統(tǒng)的不平衡響應(yīng)特性研究[D];鄭州大學(xué);2014年

9 曾作欽;基于奇異值分解的信號處理方法及其在機(jī)械故障診斷中的應(yīng)用[D];華南理工大學(xué);2011年

本文編號：2640375