滾動軸承作為旋轉機械的關鍵元器件之一,直接影響機械運轉的可靠性及穩(wěn)定性。如何利用大量的軸承監(jiān)測數(shù)據(jù),深入挖掘其中故障信息,實現(xiàn)故障診斷與狀態(tài)監(jiān)測亦是值得深入研究的問題�，F(xiàn)有的大多數(shù)軸承故障診斷與狀態(tài)監(jiān)測方法都是獨立考慮單個樣本的特征信息,較少關注同狀態(tài)樣本間的關聯(lián)性。而這種關聯(lián)性可能蘊含著重要的故障和狀態(tài)信息。若能充分利用同一故障狀態(tài)統(tǒng)計特性相似、不同故障狀態(tài)樣本統(tǒng)計特性不同這一特點,有助于提高故障識別精度�；谶@種思想,本文以滾動軸承作為研究對象,開展基于K-L散度的滾動軸承故障診斷與狀態(tài)監(jiān)測方法研究。論文主要工作及創(chuàng)新如下:(1)針對總體經(jīng)驗模態(tài)分解法(Ensemble Empirical Mode Decomposition,EEMD)存在虛假本征模態(tài)分量(Intrinsic Mode Function,IMF)問題。本文利用K-L散度(Kullback-Leibler Divergence)以及峭度系數(shù)相結合的方法去除虛假分量。從而為后續(xù)故障診斷與狀態(tài)監(jiān)測提取更加有效的特征。(2)為了全面刻畫滾動軸承振動信號各狀態(tài)特征信息,采用一種將信號時域、頻域及時頻域等多域特征提取融合的方...

【文章頁數(shù)】：92 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?ＥＭＤ分解流程圖??Ｆｉｇ２－１?ＥＭＤ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??２．１．３?ＥＥＭＤ原理及算法??１４??

?（２－１）??／＝１??其中，Ｃｔ（ｔ）為各個ＩＭＦ分量，⑴為剩余分量。具體ＥＭＤ分解流程如圖２－??１所示：????輸入信號ｘ（ｔ）???Ｉ???ｒ⑴＝ｘ（ｔ），ｉ＝ｌ??確定ｘ（ｔ）的局部極大值點和局部極小值點??擬合上包絡線Ｅ１和下包絡線Ｅ２???Ｉ???ａ（ｔ）?＝?（....

圖２－２?ＥＥＭＤ算法流程圖??Ｆｉｇ２－２?ＥＥＭＤ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??總體經(jīng)驗模態(tài)分解法有兩個非常重要的參數(shù)：１．總體集成數(shù)Ａ／；?２．白噪聲的幅??值

?（２－１）??／＝１??其中，Ｃｔ（ｔ）為各個ＩＭＦ分量，⑴為剩余分量。具體ＥＭＤ分解流程如圖２－??１所示：????輸入信號ｘ（ｔ）???Ｉ???ｒ⑴＝ｘ（ｔ），ｉ＝ｌ??確定ｘ（ｔ）的局部極大值點和局部極小值點??擬合上包絡線Ｅ１和下包絡線Ｅ２???Ｉ???ａ（ｔ）?＝?（....

圖２＿３凱瑟西儲大學實驗測試平臺??Ｆｉｇ２－３?Ｃａｓｅ?ｗｅｓｔｅｒｎ?ｒｅｓｅｒｖｅ?ｕｎｉｖｅｒｓｉｔｙ?ｅｘｐｅｒｉｍｅｎｔａｌ?ｔｅｓｔｉｎｇ?ｐｌａｔｆｏｒｍ??（２）信號采集??

圖２＿３凱瑟西儲大學實驗測試平臺??Ｆｉｇ２－３?Ｃａｓｅ?ｗｅｓｔｅｒｎ?ｒｅｓｅｒｖｅ?ｕｎｉｖｅｒｓｉｔｙ?ｅｘｐｅｒｉｍｅｎｔａｌ?ｔｅｓｔｉｎｇ?ｐｌａｔｆｏｒｍ??（２）信號采集??兩臺加速度傳感器分別安裝在試驗臺的驅動端與風扇端軸承座１２點鐘方向上，??并利用一個１....

圖２？４內圈故障振動信號時域圖??Ｆｉｇ２－４?Ｔｉｍｅ?ｄｏｍａｉｎ?ｄｉａｇｒａｍ?ｏｆ?ｉｎｎｅｒ?ｒｉｎｇ?ｆａｕｌｔ?ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ??

ｒ為軸承轉速，單位：ｒ／ｍｉｎ；?ｎ為滾珠數(shù)目；ｄ為滾動體直徑；０為軸承??直徑；《為滾動體接觸角。由公式（２－１７）、（２－１９）計算可得理論內圈故障頻率為??１５７．９４Ｈｚ。內圈故障振動信號時域圖如圖２－４所示。該信號經(jīng)ＥＥＭＤ分解后的各??個ＩＭＦ分量的時域圖如圖２－５所....

本文編號：3923592