【摘要】： 滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中的易損零件,它的運(yùn)行狀態(tài)是否正常往往直接影響到整臺(tái)機(jī)器的性能(包括精度、可靠性和壽命等)。據(jù)統(tǒng)計(jì),在使用滾動(dòng)軸承的旋轉(zhuǎn)機(jī)械中,大約有30%的機(jī)械故障都是由于軸承的故障而引起的。可見,滾動(dòng)軸承的運(yùn)行狀態(tài)對(duì)機(jī)器工作狀況影響極大。通常,滾動(dòng)軸承存在故障時(shí)會(huì)導(dǎo)致機(jī)器產(chǎn)生振動(dòng)和噪聲,甚至?xí)饳C(jī)器的損壞,而在精密機(jī)械中(如精密機(jī)床主軸,陀螺等),對(duì)軸承的要求就更高,即使軸承滾道上有微米級(jí)的缺陷,都會(huì)致使整個(gè)機(jī)器系統(tǒng)的精度遭到破壞。因此,滾動(dòng)軸承早期故障診斷技術(shù)的研究是非常必要的。 本文首先從設(shè)備性能衰退的角度分析了體現(xiàn)設(shè)備工作狀態(tài)的各特征分布范圍隨設(shè)備性能衰退的變化過(guò)程,并針對(duì)滾動(dòng)軸承的不同故障形式及軸承特征信息的載體軸承的振動(dòng)特性進(jìn)行了分析,給出了設(shè)備早期故障診斷的流程圖。 針對(duì)滾動(dòng)軸承故障時(shí)的振動(dòng)特性,分析了傅立葉變換對(duì)非平穩(wěn)信號(hào)分析的局限性,同時(shí),研究了小波在時(shí)域和頻域都具有局部化能力的特性,非常適合于非穩(wěn)態(tài)信號(hào)的分析。因此,本文采用小波及小波包的分析方法提取滾動(dòng)軸承的早期故障特征并引入了數(shù)理統(tǒng)計(jì)的分析方法選擇軸承的早期故障特征。 基于小波包提取的軸承早期故障特征,本文針對(duì)模糊故障診斷矩陣需要現(xiàn)場(chǎng)的統(tǒng)計(jì)數(shù)據(jù)及專家的經(jīng)驗(yàn)來(lái)確定,很難構(gòu)建最優(yōu)的模糊故障診斷矩陣,因此,采用遺傳算法優(yōu)化模糊故障診斷矩陣的方法進(jìn)行滾動(dòng)軸承的早期故障診斷,通過(guò)檢驗(yàn)數(shù)據(jù)的對(duì)比分析驗(yàn)證了該方法的有效性。 本文也研究了小波分析方法提取滾動(dòng)軸承的早期故障特征,采用遺傳算法優(yōu)化模糊故障診斷矩陣的方法進(jìn)行滾動(dòng)軸承的早期故障診斷,但是未取得滿意的效果,因此,對(duì)小波提取的故障特征及效果不好的原因進(jìn)行了剖析,然后,本文采用遺傳算法優(yōu)化T-S模糊模型的方法進(jìn)行滾動(dòng)軸承的早期故障診斷,通過(guò)檢驗(yàn)數(shù)據(jù)驗(yàn)證了該方法的有效性。
【圖文】：

離系統(tǒng)正常狀態(tài)分布范圍尚小的情況下征值進(jìn)行分析，依據(jù)特征空間中的各特型。早期故障診斷的主要優(yōu)點(diǎn)是在系統(tǒng)續(xù)的系統(tǒng)維護(hù)和系統(tǒng)零部件的及時(shí)更換程圖如圖 2-2 所示。

圖 3-2 試驗(yàn)裝置示意圖Fig. 3-2 Sketch map of test bed外圈、滾珠的故障數(shù)據(jù)都分割成 132 個(gè)樣本，，每 個(gè)點(diǎn)，其中軸承內(nèi)圈、外圈、滾珠發(fā)生 7mil，1為 44 個(gè)。正常軸承的數(shù)據(jù)分割成 92 個(gè)樣本，每 個(gè)點(diǎn)。實(shí)驗(yàn)數(shù)據(jù)中用于建模和檢驗(yàn)的樣本數(shù)量如表 3-1 建模樣本數(shù)據(jù)及方法驗(yàn)證樣本數(shù)據(jù)able 3-1 Samples for modeling and methodology witness建模樣本數(shù)據(jù) 檢驗(yàn)樣本數(shù)據(jù) 720 24420 24120 24
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2008
【分類號(hào)】：TH133.33

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 張洋洋;基于多Agent技術(shù)的往復(fù)式壓縮機(jī)在線智能診斷系統(tǒng)研究[D];大連理工大學(xué);2012年

本文編號(hào)：2699505