【摘要】：為實(shí)現(xiàn)滾動(dòng)軸承早期故障的有效識(shí)別,將迭代共振稀疏分解(Iterative Resonance-Based Sparse Signal Decomposition, IRBSSD)和隱馬爾科夫模型(Hidden Markov Model, HMM)相結(jié)合,提出了基于IRBSSD和HMM模型的滾動(dòng)軸承故障診斷方法。首先利用IRBSSD對(duì)軸承四種狀態(tài)(健康、外圈故障,內(nèi)圈故障及滾動(dòng)體故障)的振動(dòng)信號(hào)進(jìn)行降噪；然后分別計(jì)算不同狀態(tài)下的時(shí)域特征參數(shù)和頻域特征參數(shù),使用主成分分析(Principle Component Analysis, PCA)對(duì)特征向量進(jìn)行降維,獲得數(shù)量少且能保留原始信息特征的復(fù)合指標(biāo),組成特征向量,最后采用HMM對(duì)故障進(jìn)行模式識(shí)別。主要內(nèi)容如下：1、基于迭代共振稀疏分解信號(hào)降噪方法研究。該方法首先根據(jù)沖擊成分的頻譜分布預(yù)設(shè)高Q因子的初始值,對(duì)軸承振動(dòng)信號(hào)進(jìn)行共振稀疏分解。然后以高共振分量的峭度值為判斷依據(jù),當(dāng)其峭度值小于3時(shí),改變高Q因子取值,以此時(shí)的低共振分量作為下次循環(huán)的輸入,繼續(xù)進(jìn)行分解；大于3時(shí),終止循環(huán)。最后對(duì)循環(huán)終止后的低共振分量求取包絡(luò)頻譜,根據(jù)極值點(diǎn)的頻率判斷故障類型并證明此方法在降噪的同時(shí)保留了信號(hào)的特征。使用仿真信號(hào)和實(shí)測(cè)信號(hào)分別對(duì)所提出方法進(jìn)行驗(yàn)證,并將診斷結(jié)果與共振稀疏分解及小波包降噪法進(jìn)行對(duì)比,結(jié)果表明該方法能有效地濾除信號(hào)中的噪聲并保留軸承故障信號(hào)中的瞬態(tài)沖擊成分。2、基于分幀處理及PCA算法的特征向量構(gòu)建。對(duì)IRBSSD降噪后的各狀態(tài)軸承振動(dòng)信號(hào)進(jìn)行分幀處理,對(duì)每一幀信號(hào)都提取時(shí)、頻域特征參數(shù),引入PCA將多個(gè)特征參數(shù)轉(zhuǎn)換為少量的綜合指標(biāo),在避免丟失主要信息的基礎(chǔ)上,以構(gòu)造新的復(fù)合指標(biāo)代替原有特征參數(shù),以達(dá)到減少參數(shù)數(shù)量和計(jì)算量的目的。3、基于HMM的軸承故障模式識(shí)別。將PCA降維后的復(fù)合特征參數(shù)組成特征向量,送入HMM模型進(jìn)行訓(xùn)練和識(shí)別。識(shí)別正確率達(dá)97.5%。通過仿真信號(hào)和實(shí)驗(yàn)信號(hào)分析,并與從未經(jīng)降噪處理的方法相對(duì)比,基于IRBSSD與HMM的方法能有效實(shí)現(xiàn)軸承早期故障的模式識(shí)別,適用性較高,可用于實(shí)際軸承系統(tǒng)故障診斷。
【圖文】：

２N２形態(tài)分量分析與分裂X椆憷窶嗜帳賬跛惴ㄥ義洗踴迪低巢杉降男藕虐ǔ中竦闖煞鄭ǜ吖艙穹至浚┖退蔡寤鞒煞鄭ǖ灣義瞎艙穹至浚�，瞬态冲击成窚常包含着重要掉[岢薪】底刺畔�，所Ｗ轴承故针U(xiǎn)鋃襄義系鬧饕撾窬褪譴硬杉降男藕胖刑崛∷蔡寤鞒煞幀５艙襝∈璺紙夥ɡ瞇翁義戲至糠治觶ǎ停錚潁穡瑁錚歟錚紓椋悖幔戾澹茫錚恚穡錚睿澹睿翦澹粒睿幔歟螅椋�，邋ＭＣＡ）邋口６Ｋ|藕胖姓竦蔥圓煌某懾義戲職唇蟹竅咝苑擲耄竦酶�、低古擇分量各拙壞租k畔∈璞硎拘問�。辶x霞偕璐紙廡藕牛厥怯篩齠懶⒎至孔槌�，即辶x希劐宥澹伲蓿兀脲危ǎ玻矗╁義希耄劍苠義希兀岜硎鏡冢糧齠懶⒎至�。所有稇孝分量的稀疏表示可Ｗ用下湿�(jiǎng)硎懼義希隋危隋義希ǎ�，，…，ａ＊｝邋ｏ溇^鰨螅簦澹街�？＊３＊逦（２－�(dān)╁義希粒劍卞危粒劍卞義鮮街�，？邋Ｉ为第＜Z齠懶⒎至康南∈璞硎咀值�，ａ，，为峨sΦ南凳卣蟆５被竦茫�，簽沉x蝦�，脩┗庚f懶⒎至康墓蘭萍次傘７紙獾墓丶謨冢

本文編號(hào)：2650564