滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部分,在工業(yè)生產(chǎn)中應(yīng)用非常廣泛。軸承常常工作在高負(fù)載、高轉(zhuǎn)速環(huán)境下,容易出現(xiàn)故障導(dǎo)致設(shè)備停機(jī),甚至?xí)䦟?duì)人身安全造成威脅。本文研究滾動(dòng)軸承故障診斷這一極具現(xiàn)實(shí)意義的問(wèn)題,基于振動(dòng)信號(hào)將診斷分為特征提取和模型訓(xùn)練兩部分,首先提出非局部均值去噪(NLM)與變分模式分解(VMD)結(jié)合的故障特征提取方法,接著引入度量學(xué)習(xí)改變樣本分布提升分類器性能。在分析了國(guó)內(nèi)外研究成果的基礎(chǔ)上,本文提出了一種抗噪性能好、診斷精準(zhǔn)度高的軸承診斷方法。本文對(duì)非局部均值去噪算法(NLM)做了深入分析,將其一維化并用于軸承振動(dòng)信號(hào)去噪。針對(duì)NLM去噪效果受參數(shù)影響大的特性,提出應(yīng)用貝葉斯優(yōu)化NLM參數(shù),以譜峭度和峰值信噪比結(jié)合作為優(yōu)化目標(biāo)函數(shù),顯著提升了NLM在處理低信噪比信號(hào)時(shí)的性能�，F(xiàn)實(shí)中,受種種因素影響,采集到的真實(shí)軸承故障震動(dòng)信號(hào)可能含有很強(qiáng)的環(huán)境噪聲,針對(duì)低信噪比故障信號(hào)特征提取難的問(wèn)題,本文提出非局部均值去噪和變分模態(tài)分解(VMD)結(jié)合的故障特征提取技術(shù),利用VMD分解原始信號(hào),選出代表故障特征信息的主模態(tài)分量,進(jìn)一步使用貝葉斯優(yōu)化的NLM對(duì)分量信號(hào)做去噪處理,解決了VMD... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

滾動(dòng)軸承結(jié)構(gòu)示意圖

圖 1-3 滾動(dòng)軸承磨耗（左）和銹蝕（右）示意圖1.3.3 滾動(dòng)軸承的振動(dòng)機(jī)理軸承在運(yùn)轉(zhuǎn)過(guò)程中，受多種因素的影響會(huì)產(chǎn)生振動(dòng)，總體可以將其分為來(lái)源軸承本身的內(nèi)部因素和來(lái)源外部的環(huán)境因素，如圖 1-4 所示。內(nèi)部因素包括軸承運(yùn)轉(zhuǎn)過(guò)程中內(nèi)圈、外圈、滾動(dòng)體與保持架間相互碰撞摩擦產(chǎn)生的振動(dòng)，這部分振動(dòng)信息一般變現(xiàn)的很平穩(wěn)，聲音聽(tīng)起來(lái)也比較輕微、柔和。不同的尺寸、材料和加工工藝都會(huì)導(dǎo)致軸承固有振動(dòng)頻率的差異。當(dāng)軸承內(nèi)部出現(xiàn)故障時(shí)，也會(huì)引發(fā)振動(dòng)，特別是磨損、腐蝕、剝落這三類損傷故障，軸承在轉(zhuǎn)動(dòng)和負(fù)載作用下接觸到故障部位時(shí)會(huì)產(chǎn)生周期性脈沖信號(hào)。另外，軸承加工裝配的不規(guī)范和錯(cuò)誤也會(huì)引發(fā)軸承的振動(dòng)。外部因素則主要來(lái)自整個(gè)軸承工作系統(tǒng)，軸承在運(yùn)轉(zhuǎn)過(guò)程中也承受著來(lái)自其他器械的負(fù)載，旋轉(zhuǎn)的軸承也會(huì)對(duì)整個(gè)工作系統(tǒng)產(chǎn)生激勵(lì)作用引發(fā)共振。外部因素

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文表信噪比，PSNR 代表峰值信噪比，二者都是最通行的評(píng)價(jià)信號(hào)品質(zhì)的指標(biāo)。PRD代表失真率。最終復(fù)合信號(hào)x t 的采樣波形圖如圖 2-2 所示，分別設(shè)定加性高斯白噪聲的標(biāo)準(zhǔn)差 =0.3， 0. 5， 0. 7，用本文提出的快速非均質(zhì)去噪算法、經(jīng)驗(yàn)?zāi)B(tài)分解去噪算法、小波軟閾值去噪濾波后的波形如圖 2-3 所示。圖 2-3 中每個(gè)圖由四幅子圖組成，子圖一是加噪后的波形圖，子圖二是 NLM 去噪后波形圖，子圖三、四分別是經(jīng)驗(yàn)?zāi)Ｊ椒纸夂托〔ㄜ涢撝等ピ牒蟮牟ㄐ螆D，同時(shí)列出 NLM 去噪后信號(hào)的指標(biāo)的數(shù)據(jù)，如表 2-1 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于VMD與粒子濾波的滾動(dòng)軸承故障診斷[J]. 何洋洋,呂躍剛,劉俊承.  可再生能源. 2019(01)
[2]基于VMD的滾動(dòng)軸承早期故障診斷方法[J]. 昝濤,龐兆亮,王民,高相勝.  北京工業(yè)大學(xué)學(xué)報(bào). 2019(02)
[3]基于ITD和短時(shí)傅里葉變換的故障診斷方法[J]. 權(quán)振亞,張錕,史曉霞.  裝備制造技術(shù). 2018(12)
[4]基于LMD與隨機(jī)森林的滾動(dòng)軸承故障診斷[J]. 秦喜文,郭宇,郭佳靜,董小剛,馮陽(yáng)洋,王強(qiáng)進(jìn).  長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào). 2018(05)
[5]基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠(yuǎn)韜.  振動(dòng)與沖擊. 2018(19)
[6]基于改進(jìn)經(jīng)驗(yàn)小波變換的時(shí)頻分析方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用[J]. 鄭近德,潘海洋,戚曉利,張興權(quán),劉慶運(yùn).  電子學(xué)報(bào). 2018(02)
[7]大型風(fēng)力發(fā)電機(jī)組故障診斷綜述[J]. 曾軍,陳艷峰,楊蘋(píng),郭紅霞.  電網(wǎng)技術(shù). 2018(03)
[8]基于振動(dòng)信號(hào)的軸承故障診斷技術(shù)綜述[J]. 沙美妤,劉利國(guó).  軸承. 2015(09)
[9]基于復(fù)數(shù)小波多尺度包絡(luò)分析的風(fēng)機(jī)滾動(dòng)軸承故障特征提取[J]. 潘作為,梁雙印,李驚濤,柳亦兵.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(16)
[10]基于模糊C-均值聚類的軸承性能衰退評(píng)估方法[J]. 吳軍,郝剛,鄧超,趙明.  計(jì)算機(jī)集成制造系統(tǒng). 2015(04)

博士論文
[1]轉(zhuǎn)子-軸承故障診斷方法研究[D]. 王冬云.燕山大學(xué) 2012
[2]Hilbert-Huang變換在旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)分析中的應(yīng)用研究[D]. 胡愛(ài)軍.華北電力大學(xué)（河北） 2008

碩士論文
[1]基于變分模態(tài)分解和隨機(jī)共振的軸承故障自適應(yīng)診斷研究[D]. 張嘉玲.西安理工大學(xué) 2018
[2]非局部均值濾波算法及其在滾動(dòng)軸承故障診斷中的應(yīng)用研究[D]. 祝青林.武漢科技大學(xué) 2015
[3]基于振動(dòng)信號(hào)分析的滾動(dòng)軸承故障特征提取與診斷研究[D]. 宋耀文.中國(guó)礦業(yè)大學(xué) 2015



本文編號(hào)：2905438