【摘要】：自工業(yè)革命之后,旋轉(zhuǎn)機(jī)械設(shè)備的應(yīng)用日益廣泛,其能否安全運(yùn)行對(duì)于企業(yè)的生產(chǎn)至關(guān)重要。滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中最易損壞的部件之一,其運(yùn)行狀態(tài)監(jiān)測(cè)成為了當(dāng)前故障診斷領(lǐng)域廣泛研究的課題。滾動(dòng)軸承轉(zhuǎn)子系統(tǒng)動(dòng)力學(xué)行為具有非線性的性質(zhì),其產(chǎn)生的振動(dòng)信號(hào)則具有非線性、非平穩(wěn)性的特點(diǎn);振動(dòng)信號(hào)易受環(huán)境噪聲的影響,這些問題增大了滾動(dòng)軸承故障診斷的難度。因此,如何在復(fù)雜工業(yè)環(huán)境下,提取滾動(dòng)軸承振動(dòng)信號(hào)的特征,并準(zhǔn)確識(shí)別故障類型,是一個(gè)具有實(shí)際應(yīng)用價(jià)值的研究方向。為此,本文引入廣義形態(tài)濾波方法,圍繞信號(hào)降噪處理、特征提取和故障類型識(shí)別等問題展開研究,解決旋轉(zhuǎn)機(jī)械故障診斷問題中的信號(hào)處理與狀態(tài)識(shí)別等關(guān)鍵問題,主要研究?jī)?nèi)容包括以下幾個(gè)部分:(1)提出基于自適應(yīng)廣義形態(tài)濾波與多分辨奇異值分解(Multi-Resolution Singular Value Decomposition,MRSVD)的信號(hào)預(yù)處理與特征提取方法。針對(duì)廣義形態(tài)濾波方法降噪效果不理想的問題,采用最小均方(Least Mean Square,LMS)方法自適應(yīng)選擇廣義形態(tài)濾波的加權(quán)系數(shù),自適應(yīng)地對(duì)振動(dòng)信號(hào)進(jìn)行降噪處理。MRSVD對(duì)降噪后的振動(dòng)信號(hào)進(jìn)行分析,獲得故障特征信息,通過Hilbert包絡(luò)譜分析軸承故障類型。實(shí)驗(yàn)結(jié)果證明該方法能較好的提取到軸承的故障特征,驗(yàn)證了該方法的可行性和有效性。(2)提出基于互補(bǔ)式集成經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)與廣義形態(tài)差值濾波的特征提取方法。針對(duì)廣義形態(tài)濾波方法難以分離出軸承故障特征的問題,采用廣義形態(tài)交替閉、開的方法改進(jìn)了廣義形態(tài)差值濾波器,并與CEEMD方法結(jié)合實(shí)現(xiàn)信號(hào)特征的準(zhǔn)確提取。實(shí)驗(yàn)分析了滾動(dòng)軸承內(nèi)、外圈故障信號(hào),結(jié)果證明該方法能準(zhǔn)確分離出軸承故障特征,具有工程實(shí)用價(jià)值。(3)為了提高復(fù)雜工況下軸承故障類型識(shí)別精度,提出了自適應(yīng)廣義形態(tài)濾波和GG(Gath-Geva)聚類的軸承故障診斷方法。與FCM聚類、GK聚類等方法對(duì)比,GG聚類方法具有更高的區(qū)分性,實(shí)驗(yàn)結(jié)果表明,采用GG聚類方法對(duì)故障特征樣本進(jìn)行聚類分析,提高了軸承故障類型識(shí)別的準(zhǔn)確性。
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TH133.33
【圖文】：

作用與利用小波方法處理信號(hào)時(shí)選擇窗口函數(shù)類似。選擇合適的結(jié)構(gòu)元素往往影響到了濾波的效果，目前常用的結(jié)構(gòu)元素包括：直線型、半圓形、三角形和矩形等，如圖2.2所示。由于非對(duì)稱結(jié)構(gòu)元素對(duì)待測(cè)信號(hào)進(jìn)行處理時(shí)容易產(chǎn)生偏移現(xiàn)象，因此通常選取對(duì)稱性結(jié)構(gòu)元素對(duì)信號(hào)進(jìn)行處理。滾動(dòng)軸承早期出現(xiàn)的大多為表面損傷類故障，其損傷部位隨軸承運(yùn)轉(zhuǎn)與其他接觸部分相互作用形成周期性的脈沖信號(hào)，相鄰脈沖的周期即為缺陷周期。結(jié)構(gòu)元素的選取準(zhǔn)則就是要保障所捕捉的故障脈沖的完整性，因此“探針”的長(zhǎng)度通常小于缺陷周期的寬度。由于滾動(dòng)軸承故障信號(hào)是一維的離散信號(hào)，對(duì)其進(jìn)行形態(tài)學(xué)濾波是為了抑制故障信號(hào)中的噪聲干擾，便于后續(xù)分析方法能更清晰地提取軸承的故障特征。據(jù)相關(guān)文獻(xiàn)的研究表明，直線型結(jié)構(gòu)元素可有效保留信號(hào)的形狀特征

圖 3.1 自適應(yīng)廣義形態(tài)濾波待測(cè)信號(hào)為 ()()()0x n sn dn，其中: ()0s n為理想信號(hào)， d (n)為噪聲信e( n ) s(n) y(n)： y( n)濾波輸出信號(hào)， s (n)為期望響應(yīng)。 e( n)為 s (n)與 y( n)之間的[()] GOCxn， [()]2y GCOxn，則()()()21ynanyniii 信號(hào)的均方差為：[][()()][()()()]22122 iiiE eEsnynEsnanyn LMS 算法，取單個(gè)誤差樣本平方 ()2e n作為均方誤差 (()]2E en的估計(jì)權(quán)系數(shù)的導(dǎo)數(shù)

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 金梅;李盼;張立國(guó);金菊;張淑清;;基于EEMD模糊熵和GK聚類的信號(hào)特征提取方法及應(yīng)用[J];計(jì)量學(xué)報(bào);2015年05期

2 張鵬林;孔鵬;張

本文編號(hào)：2713164