隨著工業(yè)4.0時代的到來,機械設(shè)備不斷的朝智能化、集成化和精密化的趨勢發(fā)展,對機械設(shè)備的可靠性要求也越來越高,同時促使了故障診斷技術(shù)的不斷改革與創(chuàng)新。滾動軸承作為旋轉(zhuǎn)機械設(shè)備部件發(fā)生故障最多部件之一,對其運行狀態(tài)監(jiān)測和提高故障診斷具有重要意義。如何從強噪聲背景下提出軸承故障特征并有效識別故障類型一直是該領(lǐng)域難以攻克一個難點問題。本文將從特征提取和模式識別兩方面對軸承故障信號進行研究,從而實現(xiàn)對滾動軸承故障的智能診斷。論文的研究內(nèi)容可以概括如下幾個方面:（1）在研究變模態(tài)經(jīng)驗分解（Variational Mode Decomposition,簡稱VMD）方法在信號處理方面的應用機理的基礎(chǔ)之上,將該方法用于軸承故障信號的分析中。通過仿真實驗分析,實驗結(jié)果表明VMD方法可以有效避免經(jīng)驗模態(tài)分解（Empirical Mode Decomposition,簡稱EMD）存在分解不穩(wěn)定、端點效應等問題,改善了信號分解的效果,在噪聲抑制和噪聲魯棒性方面具有一定的優(yōu)勢。（2）提出一種基于VMD和形態(tài)差值濾波的特征提取方法。首先通過VMD方法分解得到若干本征模態(tài)分量（Intrinsic Mode Func... 

【文章來源】：昆明理工大學云南省

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

滾動軸承結(jié)構(gòu)示意圖

圖 3.1 仿真信號時域圖圖 3.2 VMD 仿真信號分解圖按 3.2.2 節(jié)所述的方法對仿真信號進行 VMD 分解，分解結(jié)果3.2 所示。由于 VMD 方法對中心頻率的迭代從 0 開始，所以 BLIM率呈由低到高排列。把 VMD 的仿真信號y分解為 4 個分量。從信BLIMF 分量可以看出，它可真實反映信號的構(gòu)成，得到了有效的分0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-505BLIMF10 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-505BLIMF20 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-505BLIMF30 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-505BLIMF4時間t/s

University提供 SKF型軸承的故障數(shù)據(jù)信號[64]，實驗與采集裝置如圖3.6所示，左邊的為2hp的電機，中間為轉(zhuǎn)矩傳感器，右邊為功率計，電機軸被測試軸承支承，還有與之相連的電子控制設(shè)備和采集數(shù)據(jù)的計算機（不在圖中）。


本文編號：3425280