滾動軸承是旋轉(zhuǎn)機械應(yīng)用最為廣泛的零部件之一,其工作狀態(tài)的正常與否直接關(guān)系到整臺機械設(shè)備的可靠性和生產(chǎn)效率。滾動軸承工作環(huán)境復(fù)雜,其早期故障特征微弱且易被強背景噪聲所湮沒,造成故障特征提取困難。因此,本文以滾動軸承作為研究對象,深入研究早期微弱故障信號的降噪及故障特征提取方法。主要研究工作如下:(1)針對早期微弱故障信號的降噪問題,提出基于自適應(yīng)的集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)的降噪方法。首先提出極值點均勻的EEMD自適應(yīng)參數(shù)優(yōu)化方法,優(yōu)化白噪聲幅值和總體平均次數(shù),提高了分解精度和計算效率;然后提出基于相關(guān)峭度和信息熵的模糊綜合判定準(zhǔn)則來優(yōu)選IMF分量進行重構(gòu)實現(xiàn)降噪。結(jié)果表明,該方法在優(yōu)選IMF分量方面的效果要明顯優(yōu)于峭度法和相關(guān)系數(shù)法。(2)針對早期故障特征提取問題,提出基于改進滑動峰態(tài)解調(diào)的滾動軸承早期故障特征提取方法。首先以信息熵最小值確定滑動窗寬,然后利用滑動峰態(tài)算法計算滑動峰態(tài)時間序列實現(xiàn)峰態(tài)包絡(luò),解決弱沖擊信號的包絡(luò)問題,進而提取弱沖擊信號的故障特征。將自適應(yīng)EEMD和滑動峰態(tài)算法進行結(jié)合,充分發(fā)揮各...

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1EMD分解算法流程圖

-8-的模態(tài)混疊問題疊包含兩種類型：一種是差異性極大是差異性極小的特征尺度在不同的加直觀說明EMD的模態(tài)混疊現(xiàn)象，121122()()()()6sin(2π)()5sin(2π)xtxtxtxtftxtft=+=....

圖2-8自適應(yīng)的EEMD降噪流程圖

綜合考慮信息熵與相關(guān)峭度的主次，將系數(shù)設(shè)置為0數(shù)值越大，說明該IMF分量與原始信號越相似，最后將最大值和次構(gòu)，實現(xiàn)降噪�；谧赃m應(yīng)EEMD的降噪方法驗證軸承故障診斷流程滾動軸承故障信號依次加入幅值系數(shù)逐漸增大的高斯白噪聲，找出差（stdmax）和極小值標(biāo)準(zhǔn)差（stdmi....

圖2-9輪對軸承實驗臺

表2-1軸承主要參數(shù)直徑m外徑/mm外徑/mm接觸角/o滾子個數(shù)/個質(zhì)/k.741302308.833202

圖2-10傳感器位置

.741302308.833202圖2-9輪對軸承實驗臺故障軸承正常軸承

本文編號：3920485