【摘要】：隨著工業(yè)技術的迅猛發(fā)展,旋轉機械正朝著大型化、高速化、復雜化、智能化的方向發(fā)展,作為旋轉機械中廣泛使用的關鍵通用零部件—滾動軸承,其運行狀態(tài)是否正常,嚴重關乎整個設備的運行狀態(tài)。實際工程應用中,由于滾動軸承的運行工況復雜,工作環(huán)境大多是高速重載,使得滾動軸承成為最容易損壞的機械零部件之一。本文以滾動軸承為研究對象,采用現(xiàn)代信號處理中的若干新方法,針對滾動軸承故障特征提取、滾動軸承復合故障診斷、滾動軸承運行狀態(tài)監(jiān)測與性能退化趨勢預測三個關鍵問題進行了研究。主要工作內容如下:(1)針對滾動軸承故障特征難以提取的問題,提出基于IVMD和三點對稱差分能量算子解調的滾動軸承故障特征提取方法。在介紹VMD基本概念和原理的基礎上,通過仿真信號對VMD的信號分解能力進行了討論。針對VMD參數K設置的問題,提出以BLIMF分量與原始信號間譜相關系數的最小值作為分解停止條件的改進變分模態(tài)分解(IVMD)方法,實現(xiàn)VMD分解過程中分解層數K的自適應確定。通過仿真信號與實驗信號分析表明,將IVMD和三點對稱差分能量算子解調相結合能夠很好的提取出滾動軸承故障特征頻率。(2)針對滾動軸承復合故障難以準確診斷的問題,提出基于MOMEDA的滾動軸承復合故障診斷方法。本文首先系統(tǒng)介紹了各種時域解卷積方法的基本原理。然后,通過仿真信號討論了MOMEDA方法提取信號中連續(xù)周期性脈沖的能力。在此基礎上,以多點峭度作為故障特征的量度,使用MOMEDA實現(xiàn)滾動軸承復合故障的診斷。(3)針對滾動軸承性能退化趨勢難以有效預測的問題,提出基于VMD能量熵模糊粒化和SVM的滾動軸承性能退化趨勢預測方法。該方法以VMD能量熵作為滾動軸承性能退化的特征指標,將模糊信息粒化和SVM相結合實現(xiàn)滾動軸承性能退化趨勢的準確預測。本文同時分析了VMD方法中參數K對VMD能量熵的影響。通過軸承全壽命實驗數據證明了本文所提方法的有效性和準確性。
【圖文】：

如圖1.1 所示，軸承外圈一般情況下固定在機械設備的軸承座中，內圈一般與與軸頸相配合隨軸一起轉動，滾動體通常在內外圈滾道之間轉動，維持內圈和外圈之間的相對運動，保持架使?jié)L動體均勻分布，避免脫落[4]。滾動體的數目、形狀和尺寸決定了滾動軸承的承載能力。圖 1.1 滾動軸承基本結構Fig 1.1 Basic structure of rolling bearing1.3.2 滾動軸承常見失效形式及故障特征頻率計算公式實際工程應用中，由于滾動軸承的運行工況復雜多變，工作環(huán)境大多是高速重載，加之安裝使用不當、維護不及時和潤滑不良以及自身制造缺陷，使得滾動軸承成為機械設備中的易損件之一。根據滾動軸承的組成結構，其故障可分為內圈故障、外圈故障、滾動體故障、保持架故障，或者是上述二種或多種故障同時

數據為研究對象[122]，，該中心的滾動軸承故障試驗動電機、測力計、轉矩傳感器和電子控制裝置。分別為驅動端和風扇端，軸承型號為: SKF6025-驅動端的傳感器、電機風扇端的傳感器、試驗臺源于驅動端加速度傳感器。使用電火花加工技術，電機轉速為 1750r/min, 故障直徑為 0.1778mm，采樣時間 0.5s。根據此時的電機轉速計算得到內圈機轉頻 fr=29.16Hz。滾動軸承的有關參數如表 2信號波形與頻譜如圖 2.24。表 2.3 滾動軸承的參數Tab2.3 Parameters of rolling bearing 外圈直徑 厚度 滾動體直徑 節(jié)徑 d 接觸角 52mm 15mm 8.18mm 39mm 0
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133.33

【參考文獻】

相關期刊論文 前10條

1 孟宗;王曉燕;馬釗;;融合小波分解與時頻分析的單通道振動信號盲分離方法[J];中國機械工程;2015年20期

2 王柏楊;劉永強;廖英英;;滾動軸承故障信號時域特征指標的敏感性分析[J];軸承;2015年10期

3 柏林;陸超;趙鑫;;基于ITD與ICA的滾動軸承故障特征提取方法[J];振動與沖擊;2015年14期

4 孟宗;季艷;;基于DEMD和對稱差分能量算子解調的滾動軸承故障診斷[J];中國機械工程;2015年12期

5 唐貴基;王曉龍;;最大相關峭度解卷積結合稀疏編碼收縮的齒輪微弱故障特征提取[J];振動工程學報;2015年03期

6 隋文濤;張丹;Wilson Wang;;基于EMD和MKD的滾動軸承故障診斷方法[J];振動與沖擊;2015年09期

7 劉長良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J];中國電機工程學報;2015年13期

8 唐貴基;王曉龍;;參數優(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用[J];西安交通大學學報;2015年05期

9 唐貴基;鄧飛躍;;基于改進諧波小波包分解的滾動軸承復合故障特征分離方法[J];儀器儀表學報;2015年01期

10 王志堅;韓振南;劉邱祖;寧少慧;;基于MED-EEMD的滾動軸承微弱故障特征提取[J];農業(yè)工程學報;2014年23期

相關會議論文 前1條

1 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

相關博士學位論文 前2條

1 鄧飛躍;滾動軸承故障特征提取與診斷方法研究[D];華北電力大學(北京);2016年

2 潘玉娜;滾動軸承的性能退化特征提取及評估方法研究[D];上海交通大學;2011年

相關碩士學位論文 前6條

1 汪志君;基于EEMD的共振解調技術在動車組軸承故障診斷中的應用[D];北京交通大學;2017年

2 孫占龍;基于共振稀疏分解的滾動軸承故障診斷方法研究[D];北京交通大學;2017年

3 朱明;新穎的自適應時頻分布方法及在故障診斷中應用研究[D];南昌航空大學;2015年

4 王柳;基于信息�；腟VM混沌時間序列預測算法及應用[D];河北大學;2014年

5 王澤文;基于振動信號的滾動軸承故障診斷與預測系統(tǒng)研究[D];中國礦業(yè)大學;2014年

6 王建利;滾動軸承性能退化評價與趨勢預測研究[D];大連理工大學;2013年

本文編號：2669591