滾動(dòng)軸承是機(jī)械設(shè)備中的核心精密部件,在設(shè)備運(yùn)轉(zhuǎn)過(guò)程中起承接負(fù)載、傳遞載荷的作用,被廣泛應(yīng)用于冶金、化工、航天等重要領(lǐng)域。滾動(dòng)軸承一旦發(fā)生故障沒(méi)有及時(shí)排查,輕則導(dǎo)致生產(chǎn)停滯,重則造成人員傷亡。研究表明滾動(dòng)軸承發(fā)生故障時(shí),軸承振動(dòng)信號(hào)表現(xiàn)出明顯的非線性、非平穩(wěn)特性。如果能夠在線對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)進(jìn)行有效監(jiān)測(cè),對(duì)獲取的有效信息進(jìn)行合理判斷,及早發(fā)現(xiàn)故障并進(jìn)行維修,對(duì)保證系統(tǒng)穩(wěn)定、平穩(wěn)運(yùn)行,預(yù)防安全事故的發(fā)生具有重要意義。論文以滾動(dòng)軸承為研究對(duì)象,主要研究了基于振動(dòng)信號(hào)的軸承故障特征提取及診斷方法,論文主要研究?jī)?nèi)容如下:①針對(duì)滾動(dòng)軸承故障信號(hào)特征信息容易被噪聲淹沒(méi)的問(wèn)題,提出自適應(yīng)最大相關(guān)峭度反卷積方法實(shí)現(xiàn)滾動(dòng)軸承故障信號(hào)降噪。充分考慮最大相關(guān)峭度反卷積能夠增強(qiáng)含噪信號(hào)中的周期沖擊信號(hào)的優(yōu)勢(shì),將相關(guān)峭度設(shè)為評(píng)價(jià)標(biāo)準(zhǔn),設(shè)定經(jīng)最大相關(guān)峭度反卷積后的信號(hào)包絡(luò)譜熵作為適應(yīng)度函數(shù),采用增強(qiáng)領(lǐng)導(dǎo)型粒子群算法對(duì)最大相關(guān)峭度反卷積的參數(shù)進(jìn)行尋優(yōu),實(shí)現(xiàn)自適應(yīng)最大相關(guān)峭度反卷積方法對(duì)滾動(dòng)軸承故障振動(dòng)信號(hào)的增強(qiáng);②針對(duì)滾動(dòng)軸承故障特征提取困難的問(wèn)題,提出融合自適應(yīng)變分模態(tài)分解和奇異值分解的故障特征提取方法。以任意模...

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 滾動(dòng)軸承基本概述
        1.2.1 滾動(dòng)軸承結(jié)構(gòu)
        1.2.2 滾動(dòng)軸承振動(dòng)機(jī)理
        1.2.3 滾動(dòng)軸承失效形式
    1.3 滾動(dòng)軸承故障診斷研究現(xiàn)狀
        1.3.1 故障信號(hào)預(yù)處理研究現(xiàn)狀
        1.3.2 故障特征提取研究現(xiàn)狀
        1.3.3 故障模式識(shí)別研究現(xiàn)狀
    1.4 本文研究思路
第二章 基于自適應(yīng)MCKD的故障信號(hào)濾波
    2.1 最大相關(guān)峭度反卷積
        2.1.1 MCKD基本原理
        2.1.2 MCKD參數(shù)分析
    2.2 自適應(yīng)最大相關(guān)峭度反卷積
        2.2.1 增強(qiáng)領(lǐng)導(dǎo)型粒子群算法基本原理
        2.2.2 自適應(yīng)MCKD基本原理
    2.3 實(shí)驗(yàn)驗(yàn)證
    2.4 本章小結(jié)
第三章 基于自適應(yīng)VMD和奇異值分解的故障特征提取
    3.1 變分模態(tài)分解方法
        3.1.1 VMD基本原理
        3.1.2 VMD參數(shù)分析
    3.2 自適應(yīng)變分模態(tài)分解
        3.2.1 AVMD基本原理
        3.2.2 AVMD性能分析
    3.3 滾動(dòng)軸承故障特征集
        3.3.1 SVD基本原理
        3.3.2 故障特征集構(gòu)建
    3.4 實(shí)驗(yàn)驗(yàn)證
    3.5 本章小結(jié)
第四章 基于支持向量機(jī)的故障模式識(shí)別
    4.1 支持向量機(jī)原理
        4.1.1 SVM基本原理
        4.1.2 SVM核函數(shù)分析
    4.2 支持向量機(jī)參數(shù)優(yōu)化
        4.2.1 遺傳算法基本原理
        4.2.2 SVM參數(shù)優(yōu)化
    4.3 實(shí)驗(yàn)驗(yàn)證
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3758188