發(fā)布時間：2024-01-21 08:41

　　隨著現(xiàn)代工業(yè)的發(fā)展以及科學(xué)技術(shù)的進(jìn)步,旋轉(zhuǎn)機械在機械設(shè)備中的地位日益增高,而故障出現(xiàn)率也隨之增加。滾動軸承作為旋轉(zhuǎn)機器中的重要元器件,其工況直接影響到整個機器設(shè)備的性能,因此開展?jié)L動軸承故障診斷方面的研究是有極其重要的現(xiàn)實意義。本文從滾動軸承的特征提取、特征選擇和特征分類三個方面入手,針對滾動軸承現(xiàn)有診斷方法存在的幾個關(guān)鍵性問題進(jìn)行了深入透徹的研究,提出了一種新型滾動軸承智能診斷方法,主要創(chuàng)新如下:傳感器采集的滾動軸承故障振動信號頻率成分比較復(fù)雜。由于受到無關(guān)頻率及噪聲的干擾,軸承的故障特征通常很難被精確的提煉出來,針對EMD方法在較強噪聲干擾下不能準(zhǔn)確提取特征的缺陷,本文提出了基于非局部均值和經(jīng)驗?zāi)B(tài)分解結(jié)合的特征提取方法,實現(xiàn)去噪的同時最大程度的保持信號的細(xì)節(jié)特征;再結(jié)合經(jīng)驗?zāi)B(tài)分解方法將原始的信號分解為多個分量,去除貢獻(xiàn)率較小的分量,從而獲得更為準(zhǔn)確的故障特征信息。針對NLM方法計算復(fù)雜度高,效率低的問題,提出了一種快速NLM算法,針對快速NLM算法中指數(shù)函數(shù)加權(quán)不足的問題,提出了一種新型的Wave-指數(shù)型權(quán)值核函數(shù),與Wave型函數(shù)加權(quán)過度的特點實現(xiàn)了互補,通過仿真實驗證明,該...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

本文編號：3881627