發(fā)布時間：2020-10-27 01:46

　　 風(fēng)機作為常用的旋轉(zhuǎn)機械之一,具有氣體壓縮和氣體輸送的功能,由于其在多領(lǐng)域都有著重要作用,因此對風(fēng)機的運行狀態(tài)監(jiān)測十分重要。滾動軸承作為風(fēng)機的主要部件,也是最容易出現(xiàn)故障的地方,其狀態(tài)同樣會影響風(fēng)機的運行狀況,一旦出現(xiàn)故障會引發(fā)嚴重后果,因此,對滾動軸承進行監(jiān)測和故障診斷是該領(lǐng)域的熱點和難點�；诖�,本課題以風(fēng)機滾動軸承為研究對象,針對軸承的單一故障與復(fù)合故障進行研究,根據(jù)軸承振動信號研究了一種基于改進LMD和多尺度熵能量的風(fēng)機滾動軸承故障診斷方法。主要做了以下幾方面的研究:(1)基于分層自適應(yīng)小波與改進LMD的軸承故障信號降噪方法研究針對滾動軸承振動信號易受到噪聲干擾的問題,研究了一種基于分層自適應(yīng)小波與改進LMD的軸承故障信號降噪方法。首先進行軸承的時域信號小波分解,獲得各分解層的小波系數(shù);之后對小波系數(shù)采取分層自適應(yīng)閾值方法并重構(gòu);最后對重構(gòu)的信號進行鏡像均值延拓的LMD分解,并選取相關(guān)的PF分量。通過仿真實驗表明:該方法在降噪的同時保留了更多的故障信息,更有利于軸承故障信號的降噪。(2)基于多尺度熵能量的軸承故障信號特征提取研究針對滾動軸承復(fù)合故障特征相近、不易區(qū)分的問題,研究了一種基于多尺度熵能量的軸承故障信號特征提取方法。首先對相關(guān)PF分量重構(gòu),并對重構(gòu)信號粗�；�,計算粗粒化時間序列的MSE;之后對相關(guān)PF分量計算能量,獲得不同頻段的能量波動;最后將MSE與能量結(jié)合構(gòu)建MSEE。通過仿真實驗表明:該方法與單獨使用MSE和能量的特征提取方法相比,能夠定量表征滾動軸承復(fù)合故障信號的特征,加大軸承故障之間的區(qū)分度,更有利于軸承故障信號的特征提取。(3)基于LSSVM的軸承故障診斷研究針對滾動軸承復(fù)合故障特征相互耦合、表現(xiàn)多樣的問題,研究了一種基于LSSVM的軸承故障診斷方法。首先,用給定參數(shù)對已知類別的訓(xùn)練樣本進行LSSVM的模型訓(xùn)練;之后,采用PSO-10-fold CV方法對LSSVM訓(xùn)練模型中的參數(shù)進行優(yōu)化,尋找最優(yōu)參數(shù),更新LSSVM分類模型;最后,將測試樣本的特征向量作為LSSVM的輸入并對測試樣本模式識別,達到故障診斷的目的。仿真結(jié)果表明:該方法不僅分類精確而且耗時較少,對滾動軸承故障具有更有效的故障診斷的效果。(4)基于改進LMD和多尺度熵能量方法的實驗驗證為了驗證基于改進LMD和多尺度熵能量方法的有效性,選擇在MFS機械故障綜合模擬實驗臺上進行實驗。以滾動軸承為研究對象,通過更換故障軸承來獲得實際的振動信號,并在軸承故障信號上進行實驗。實驗結(jié)果表明,該方法對滾動軸承早期的故障信號有較好的敏感度,有良好的模式識別效果,適用于滾動軸承的故障診斷。
【學(xué)位單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH133.33
【部分圖文】：

北京工業(yè)大學(xué)工程碩士專業(yè)學(xué)位論文 1221 21 0.5cos 9 cos 200 2 cos 103cos 20 6x t t t tx t t tx t x t x t 2x t 和 x t 的仿真信號波形如圖 3-9 所示。

- 34 -圖 3-10 x(t)進行 LMD 分解后的波形Fig.3-10 The waveform of x(t) after LMD decomposition3-10 可以看出，PF1 分量分解出的是 1x t 的波形，PF，但是在右端點處有明顯的偏差，致使分離出的分量和誤差會影響對信號的進一步處理，因此需要對 LMD 的

表達式如下：x t 1 0.4t sin40 t cos6 t(3-31)其中，t 0,1 。圖形如圖3-11 所示，其中，極值點用紅色圓圈標出�？梢钥吹剑盘柕淖笥叶它c處的部分不是極值，然而由于信號長度是有限的，它們都被判斷為極值點，參與求取局部均值函數(shù)和局部包絡(luò)函數(shù)。圖 3-11 仿真信號和極值點Fig.3-11 Simulation signal and extremum point鏡像均值延拓就是以離端點處最近的極值點作為鏡面，首先判斷該處極值點是極大值還是極小值，之后選擇與他最近的兩個相反極值，并作均值處理，得到的均值作為端點處的更新值，具體過程如圖 3-12 所示。圖 3-12 鏡像均值延拓方法Fig.3-12 Mirror mean extension method
【參考文獻】

相關(guān)期刊論文 前10條

1 李紅延;周云龍;田峰;李松;孫天寶;;一種新的小波自適應(yīng)閾值函數(shù)振動信號去噪算法[J];儀器儀表學(xué)報;2015年10期

2 石瑞敏;楊兆建;;基于LMD能量特征的滾動軸承故障診斷方法[J];振動.測試與診斷;2015年05期

3 田曉春;陳家斌;韓勇強;宋春雷;楊黎明;;一種優(yōu)化的小波閾值去噪方法在行人導(dǎo)航系統(tǒng)中的應(yīng)用[J];中國慣性技術(shù)學(xué)報;2015年04期

4 吳光文;王昌明;包建東;陳勇;胡揚坡;;基于自適應(yīng)閾值函數(shù)的小波閾值去噪方法[J];電子與信息學(xué)報;2014年06期

5 張龍;黃文藝;熊國良;;基于多尺度熵的滾動軸承故障程度評估[J];振動與沖擊;2014年09期

6 劉曉光;胡靜濤;高雷;李逃昌;白曉平;;基于改進小波閾值的微機械陀螺去噪方法[J];中國慣性技術(shù)學(xué)報;2014年02期

7 胥永剛;孟志鵬;趙國亮;;基于雙樹復(fù)小波變換的軸承復(fù)合故障診斷研究[J];儀器儀表學(xué)報;2014年02期

8 蔣永華;程光明;闞君武;宣仲義;馬繼杰;張忠華;;基于NGA優(yōu)化SVM的滾動軸承故障診斷[J];儀器儀表學(xué)報;2013年12期

9 鄭近德;程軍圣;胡思宇;;多尺度熵在轉(zhuǎn)子故障診斷中的應(yīng)用[J];振動.測試與診斷;2013年02期

10 徐桂云;蔣恒深;李輝;阮殿旭;;基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合軸承故障診斷[J];中國礦業(yè)大學(xué)學(xué)報;2012年06期

本文編號：2857837