【摘要】：電機是現(xiàn)代工業(yè)過程中重要的驅(qū)動設備,而滾動軸承作為緩沖高速運轉(zhuǎn)零部件的復雜受力的關(guān)鍵零件之一,因其具有摩擦力小、啟動升速容易、結(jié)構(gòu)簡單、維修方便等特點,被廣泛應用于各種電機設備中。而如此重要的關(guān)鍵零件一旦發(fā)生故障,會嚴重的影響電機的穩(wěn)定性,甚至會引起嚴重的災難性事故。因此,深入分析滾動軸承故障發(fā)生機理,探索電機用滾動軸承故障診斷技術(shù),可以在滾動軸承出現(xiàn)不良性能之前提前做好維修工作,對延長電機有效工作時間具有十分重要的實際工程意義和應用前景。為此,本文將變分模態(tài)分解(VMD)引入到電機用滾動軸承故障診斷中,詳細研究了基于變分模態(tài)分解的電機用滾動軸承非平穩(wěn)振動信號故障特征提取,并融合基于遺傳算法(GA)優(yōu)化的極限學習機(ELM)的診斷模型,以期實現(xiàn)電機用滾動軸承故障的準確識別和診斷。首先,本文簡要闡述了變分模態(tài)分解的基本原理,通過仿真信號對比分析驗證了VMD分解可以有效避免EMD分解產(chǎn)生的模態(tài)混疊和虛假分量現(xiàn)象。其次針對VMD算法對初始參數(shù)敏感特性,提出一種由粗到精的參數(shù)優(yōu)化策略,通過西儲大學實驗數(shù)據(jù)證明了該優(yōu)化策略的有效性和實用性。在電機軸承存在早期微弱故障時其信號包含的故障特征微弱,為了更好的提取電機用滾動軸承振動信號的故障特征信息,本文提出基于符號動態(tài)熵理論及集合峭度的KEI評價指標,通過變分模態(tài)分解結(jié)合KEI評價指標將振動信號進行分解和篩選,將篩選出的最佳分量進行包絡解調(diào),獲得滾動軸承的故障特征信息,通過實驗數(shù)據(jù)處理分析證明所提出的VMD-KEI方法能夠很好的對振動信號的故障特征信息進行提取。最后簡要闡述了極限學習機的原理,針對極限學習機穩(wěn)定性差等缺點,采用遺傳算法對輸入層和隱含層的相關(guān)參數(shù)進行優(yōu)化,建立了GA-ELM診斷模型,并結(jié)合VMD-KEI特征信息提取方法,提出基于VMD-KEI和GA-ELM的電機用滾動軸承故障診斷方法,通過實驗表明,此方法可以對滾動軸承內(nèi)外圈及滾動體故障做出準確診斷。
【圖文】：

滾動軸承的基本結(jié)構(gòu)

常見幾類滾動軸承的構(gòu)造：（a）圓錐滾子軸承；
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM307

【參考文獻】

相關(guān)期刊論文 前10條

1 張會強;王宇拓;王林川;張聞一;;基于超級電容器的混合儲能在直流微電網(wǎng)中的應用[J];電測與儀表;2015年22期

2 劉長良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J];中國電機工程學報;2015年13期

3 張龍;張磊;熊國良;周繼惠;王寧;王明翔;;基于多尺度熵的滾動軸承Elman神經(jīng)網(wǎng)絡故障診斷方法[J];機械科學與技術(shù);2014年12期

4 安國慶;秦程;郭立煒;梁永春;;峭度濾波器用于電機軸承早期故障特征提取[J];電機與控制學報;2014年06期

5 胡愛軍;馬萬里;唐貴基;;基于集成經(jīng)驗模態(tài)分解和峭度準則的滾動軸承故障特征提取方法[J];中國電機工程學報;2012年11期

6 湯寶平;蔣永華;張詳春;;基于形態(tài)奇異值分解和經(jīng)驗模態(tài)分解的滾動軸承故障特征提取方法[J];機械工程學報;2010年05期

7 李鳳婷;晁勤;;基于Matlab與遺傳算法的風電容量[J];電工技術(shù)學報;2009年03期

8 劉雪霞;張琦;譚業(yè)發(fā);;高階譜分析技術(shù)在軸承故障信號特征提取中的應用[J];機床與液壓;2008年07期

9 時獻江;張春喜;邵俊鵬;;異步電機斷條故障診斷的細化包絡方法[J];電機與控制學報;2008年02期

10 王麗雅;韓捷;陳磊;;基于信息融合的短時矢功率譜分析方法[J];機械科學與技術(shù);2007年04期

，

本文編號：2655746