作為各種旋轉(zhuǎn)機械設(shè)備中廣泛應(yīng)用的機械部件,滾動軸承運行狀態(tài)正常與否直接影響著整臺機械設(shè)備的性能和安全。與常規(guī)軸承不同,大型重工業(yè)機械設(shè)備中使用的超低速滾動軸承,其結(jié)構(gòu)和工作環(huán)境復(fù)雜,且往往承受較大的載荷,一旦發(fā)生故障,需花費大量的時間和精力去檢修更換,造成較大的經(jīng)濟(jì)損失。因此,對超低速滾動軸承進(jìn)行狀態(tài)監(jiān)測和早期故障診斷具有重要意義。聲發(fā)射(Acoustic Emission,AE)技術(shù)是一種靈敏度高,且對動態(tài)缺陷敏感的新型動態(tài)檢測技術(shù),廣泛應(yīng)用于機械故障診斷領(lǐng)域。然而,由于超低速滾動軸承AE信號的非平穩(wěn)性、不確定性和復(fù)雜性等特點,使得從AE信號中提取故障特征信息成為AE診斷的關(guān)鍵和難點。因此,本文以超低速滾動軸承為研究對象,通過電火花和線切割技術(shù)分別在滾動軸承的內(nèi)圈和滾動體上預(yù)制了不同類型的缺陷(點蝕和裂紋),在模擬試驗臺上采集相應(yīng)的AE信號,采用不同的信號處理方法對其進(jìn)行分析。針對超低速滾動軸承的特征提取問題,分別研究了基于自適應(yīng)噪聲的完備集合經(jīng)驗?zāi)B(tài)分解(Compelete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)-能量熵和改進(jìn)的變分模態(tài)分解(Improved Variational Mode Decomposition,IVMD)-樣本熵的故障特征提取方法。針對故障模式識別與分類,建立了深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)模型,對其進(jìn)行故障診斷。將集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)和CEEMDAN方法應(yīng)用于超低速滾動軸承AE信號處理中,與EEMD方法相比,CEEMDAN方法改善了分解的完備性,且具有較好的抗模態(tài)混疊性。利用相關(guān)系數(shù)和方差貢獻(xiàn)率選取CEEMDAN分解的敏感固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量,計算其能量熵作為BP神經(jīng)網(wǎng)絡(luò)的特征向量進(jìn)行模式識別,平均準(zhǔn)確率高達(dá)94.13%,診斷效果較好。而將EEMD分解的敏感IMF分量能量熵作為BP神經(jīng)網(wǎng)絡(luò)特征參數(shù)的識別準(zhǔn)確率僅為87.13%。采用改進(jìn)的VMD樣本熵方法對超低速滾動軸承的AE信號進(jìn)行特征提取。對采集的AE信號進(jìn)行EMD分解,利用相關(guān)系數(shù)和方差貢獻(xiàn)率提取敏感IMF分量進(jìn)行信號的重構(gòu);然后將敏感IMF分量數(shù)目作為VMD的模式數(shù)對重構(gòu)信號進(jìn)行VMD分解;并計算VMD分解的IMF分量樣本熵作為BP神經(jīng)網(wǎng)絡(luò)的特征向量進(jìn)行故障模式的識別與分類,識別準(zhǔn)確率高達(dá)94.27%。此外,將改進(jìn)的VMD能量熵和近似熵分別作為BP神經(jīng)網(wǎng)絡(luò)的特征向量,識別準(zhǔn)確率為83.33%和90.67%,均低于樣本熵作為特征向量的識別結(jié)果。建立DBN模型,對超低速滾動軸承進(jìn)行故障診斷。DBN模型的訓(xùn)練迭代次數(shù)對其分類性能有較大的影響,隨著迭代次數(shù)的增加,其識別準(zhǔn)確率呈先增高再降低的趨勢,表明迭代次數(shù)過多并不利于識別效果的提高。將EEMD和CEEMDAN分解的前9階IMF分量能量熵分別作為DBN模式識別分類器的特征向量進(jìn)行模式識別,兩者的識別準(zhǔn)確率均達(dá)到了90%以上,表明了DBN方法在超低速滾動軸承故障診斷中的有效性。其中,CEEMDAN能量熵作為特征參數(shù)的平均準(zhǔn)確率高達(dá)99.33%,EEMD能量熵作為DBN模型輸入向量的識別準(zhǔn)確率僅為90.80%,明顯低于CEEMDAN能量熵作為特征參數(shù)的識別率,說明故障特征的提取對DBN的性能也存在很大的影響。與經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)模式識別方法相比,DBN模型的深層結(jié)構(gòu)能夠更充分地學(xué)習(xí)數(shù)據(jù)集的特征信息,識別準(zhǔn)確率更高,且穩(wěn)定性較好。
【學(xué)位單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TG115.28;TH133.33
【部分圖文】：

圖 1.1 滾動軸承常見的故障形式: (a)疲勞裂紋; (b)點蝕; (c)磨損; (d)塑性變形; (e)腐蝕;(f)膠合Figure 1.1 Common failure forms of rolling bearings: (a)fatigue crack; (b)pitting;(c)wear; (d)plastic deformation; (e)corrosion; (f)scuffing(1) 疲勞滾動軸承的內(nèi)外滾道和滾動體表面既承受載荷又發(fā)生相對滾動時，在多次的擾動載荷作用后，從高應(yīng)力或高應(yīng)變的局部開始萌生裂紋并逐漸形成凹坑，在交變載荷的作用下，裂紋進(jìn)一步擴(kuò)展至臨界裂紋尺寸，從而發(fā)生疲勞破壞。疲勞失效的形式主要有疲勞剝落(點蝕，麻點剝落)和疲勞斷裂。(2) 磨損由于塵埃及外界異物顆粒的侵入，滾道和滾動體相對運動時會引起表面磨損，潤滑不良也會加劇磨損，磨損使軸承游隙增大，表面粗糙度增加，降低了軸承運轉(zhuǎn)精度，因而也降低了機器的運動精度，振動及噪聲也隨之增大[10]。(3) 塑性變形當(dāng)軸承受到過大的沖擊載荷或靜載荷、或因熱變形引起額外的載荷、或有硬

Figure 1.2 The principle diagram of acoustic emission detection technology聲發(fā)射檢測技術(shù)是通過儀器檢測、記錄、分析AE信號以及推斷AE源的技術(shù)，其基本原理如圖1.2所示。從聲發(fā)射源發(fā)射的彈性波最終傳播到材料表面，引起可以用聲發(fā)射傳感器探測的表面位移，然后這些探測器將材料的機械振動轉(zhuǎn)化為電信號，繼而被放大、處理和記錄[19]。聲發(fā)射是一種常見的物理現(xiàn)象，大多數(shù)材料變形和斷裂時均有聲發(fā)射信號產(chǎn)生。一般來說，對于不同的材料和不同的聲發(fā)射產(chǎn)生形式，聲發(fā)射信號的頻率范圍不一樣，覆蓋了次聲頻到超聲頻的頻段。1.3.2 滾動軸承 AE 信號產(chǎn)生機理在滾動軸承故障初期，金屬內(nèi)的晶格發(fā)生彈性扭曲，從低能狀態(tài)變?yōu)楦吣軤顟B(tài)

6產(chǎn)生連續(xù)型AE信號。圖1.3 聲發(fā)射信號類型: (a)連續(xù)型聲發(fā)射信號; (b)突發(fā)型聲發(fā)射信號Figure 1.3 The type of acoustic emission signal: (a)continuous acoustic emission;(b)burst acoustic emission signal滾動軸承故障AE信號為數(shù)十到數(shù)百千赫茲分布的高頻信號，傳播過程中具有快速衰減特性。且故障源產(chǎn)生的信號經(jīng)過一個或多個接觸面，經(jīng)折射、反射和散射后被AE傳感器所接受，會產(chǎn)生一定的衰減，所以最后獲得的AE信號特征非常復(fù)雜。不同部位及不同類型的故障，其AE信號的特性也是不同的，因此，可以通過AE信號的處理和分析，實現(xiàn)超低速滾動軸承運行狀態(tài)的識別和評價。1.4 超低速滾動軸承故障 AE 診斷技術(shù)研究現(xiàn)狀近年來，對于滾動軸承的狀態(tài)監(jiān)測和早期故障檢測的研究越來越多，常見的檢測方法包括振動法、有限元法、油液法和聲發(fā)射等。其中
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄒建生;郝艷芳;;軌道車輛走行部滾動軸承故障分析及診斷方法[J];鐵道機車與動車;2015年09期

2 趙春華;董海江;鐘先友;;風(fēng)電齒輪箱故障診斷的SVM參數(shù)優(yōu)化[J];中國機械工程;2015年16期

3 李軍;李青;;基于CEEMDAN-排列熵和泄漏積分ESN的中期電力負(fù)荷預(yù)測研究[J];電機與控制學(xué)報;2015年08期

4 任宜春;翁璞;;基于改進(jìn)Hilbert-Huang變換的結(jié)構(gòu)損傷識別方法研究[J];振動與沖擊;2015年18期

5 李艷峰;王新晴;張梅軍;朱會杰;;基于奇異值分解和深度信度網(wǎng)絡(luò)多分類器的滾動軸承故障診斷方法[J];上海交通大學(xué)學(xué)報;2015年05期

6 向丹;葛爽;;基于EMD樣本熵-LLTSA的故障特征提取方法[J];航空動力學(xué)報;2014年07期

7 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎(chǔ)研究“何去何從”[J];機械工程學(xué)報;2013年01期

8 董文智;張超;;基于EEMD能量熵和支持向量機的軸承故障診斷[J];機械設(shè)計與研究;2011年05期

9 袁俊;沈功田;吳占穩(wěn);盧超;;軸承故障診斷中的聲發(fā)射檢測技術(shù)[J];無損檢測;2011年04期

10 鄧艾東;童航;張如洋;蔣章;高亹;;基于模態(tài)分析的轉(zhuǎn)子碰摩聲發(fā)射特征[J];東南大學(xué)學(xué)報(自然科學(xué)版);2010年06期

本文編號：2859338