本文關鍵詞：直升機自動傾斜器滾動軸承故障診斷方法研究

  更多相關文章： 自動傾斜器 周期能量特征 優(yōu)化的LMD特征 u律壓擴 三點滑動平均 故障識別

【摘要】：滾動軸承是自動傾斜器的核心組成元件之一，它的工作狀態(tài)直接決定了自動傾斜器的工作性能，進而影響直升機的安全飛行，所以對其軸承故障診斷方法研究，對保障直升機安全飛行具有重要意義。本文在航空科學基金和橫向課題自動傾斜器滾動軸承故障診斷項目資助下，采用振動信號分析法，對自動傾斜器軸承故障診斷方法進行了深入研究，主要工作內容和研究成果如下： (1)進行了振動信號降噪方法對比研究。針對軸承產(chǎn)生的非線性非平穩(wěn)振動信號，首先介紹了小波包降噪方法和形態(tài)濾波方法；其次，仿真非線性非平穩(wěn)信號并對其加入隨機噪聲；再次，采用小波包降噪方法和形態(tài)濾波方法分別對其降噪，并計算降噪后信號的信噪比；最后，對兩種方法降噪后信號的信噪比進行對比分析。通過仿真實驗知，本文采用的復合形態(tài)濾波方法降噪效果最優(yōu)。 (2)提出了周期能量特征和優(yōu)化的LMD特征提取方法。根據(jù)軸承產(chǎn)生的故障信號具有周期性特點并且軸承各類故障的周期能量處于不同范圍，，本文提出了周期能量特征提取方法；根據(jù)LMD方法提取的各類故障特征間存在間隔不均衡和特征值波動缺陷，本文結合特征優(yōu)化方法，提出了優(yōu)化的LMD特征提取方法。關于周期能量特征和優(yōu)化的LMD特征提取方法，首先以一個周期采樣點數(shù)為標準，對振動信號進行截��；其次，提取截取信號的周期能量特征以及LMD分解后各PF分量特征；再次，對周期能量特征和各PF分量特征進行歸一化；最后，采用u律壓擴和三點滑動平均特征優(yōu)化方法對周期能量特征和LMD特征進行優(yōu)化處理。通過周期能量特征和優(yōu)化的LMD特征提取實例分析，證明了本文方法的有效性。 (3)將周期能量特征和優(yōu)化的LMD特征提取方法與RBF神經(jīng)網(wǎng)絡進行結合，提出了基于周期能量特征與優(yōu)化的LMD特征相結合的滾動軸承故障診斷方法。首先，采用復合形態(tài)濾波方法對軸承的各種狀態(tài)振動信號進行降噪；其次，對經(jīng)過降噪的故障信號進行周期能量特征和優(yōu)化的LMD特征提��；再次，搭建RBF神經(jīng)網(wǎng)絡并對其訓練，訓練直至目標精度為止；最后，采用已訓練好的網(wǎng)絡，對軸承的內圈故障、外圈故障、滾珠故障和正常，即四種狀態(tài)進行識別分類。通過最終的故障識別實驗，進一步證明了本文方法的有效性。
【關鍵詞】：自動傾斜器 周期能量特征 優(yōu)化的LMD特征 u律壓擴 三點滑動平均 故障識別
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：V267
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-15
• 1.1 課題研究的背景與意義8-9
• 1.2 國內外研究現(xiàn)狀分析9-13
• 1.2.1 振動信號預處理方法9-11
• 1.2.2 故障特征提取方法11-12
• 1.2.3 故障識別方法12-13
• 1.3 本文主要研究內容13-15
• 第2章 振動信號降噪方法對比研究15-28
• 2.1 概述15
• 2.2 小波包降噪方法15-22
• 2.2.1 小波變換15-16
• 2.2.2 多分辨率分析16-18
• 2.2.3 小波包分析18-19
• 2.2.4 小波和小波包分解信號重構19
• 2.2.5 小波包降噪處理19-22
• 2.3 形態(tài)濾波方法22-24
• 2.3.1 形態(tài)濾波理論22-23
• 2.3.2 結構元素選取原則23-24
• 2.4 仿真實驗24-27
• 2.5 本章小結27-28
• 第3章 周期能量特征和優(yōu)化的 LMD 特征提取方法28-46
• 3.1 概述28
• 3.2 周期能量特征提取方法28-32
• 3.2.1 周期能量特征提取方法概述28
• 3.2.2 周期能量特征提取及歸一化28-30
• 3.2.3 周期能量特征優(yōu)化處理30-32
• 3.3 優(yōu)化的 LMD 特征提取方法32-36
• 3.3.1 優(yōu)化的 LMD 特征提取方法概述32
• 3.3.2 LMD 方法32-34
• 3.3.3 LMD 特征提取及歸一化34-35
• 3.3.4 LMD 特征優(yōu)化處理35-36
• 3.4 周期能量特征與優(yōu)化的 LMD 特征提取實例分析36-45
• 3.4.1 周期能量特征提取實例分析37-39
• 3.4.2 優(yōu)化的 LMD 特征提取實例分析39-45
• 3.5 本章小結45-46
• 第4章 基于周期能量特征與優(yōu)化的 LMD 特征相結合的軸承障診斷方法46-57
• 4.1 概述46
• 4.2 RBF 神經(jīng)網(wǎng)絡學習算法46-51
• 4.2.1 神經(jīng)元結構模型46-48
• 4.2.2 RBF 神經(jīng)網(wǎng)絡模型48-49
• 4.2.3 RBF 神經(jīng)網(wǎng)絡學習方法及特性49-51
• 4.3 軸承故障識別方法原理51-53
• 4.4 神經(jīng)網(wǎng)絡設計與訓練53-54
• 4.5 故障識別實驗54-56
• 4.6 本章小結56-57
• 第5章 總結與展望57-59
• 5.1 研究工作總結57
• 5.2 研究工作展望57-59
• 參考文獻59-63
• 研究生期間科研項目成果63-64
• 致謝64-65

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 胡愛軍;唐貴基;安連鎖;;基于數(shù)學形態(tài)學的旋轉機械振動信號降噪方法[J];機械工程學報;2006年04期

2 章立軍;楊德斌;徐金梧;陳志新;;基于數(shù)學形態(tài)濾波的齒輪故障特征提取方法[J];機械工程學報;2007年02期

3 蔣英春;;離散空間中正交小波分解重構算法的實現(xiàn)[J];計算機應用研究;2013年02期

4 胡愛軍;唐貴基;安連鎖;;振動信號采集中剔除脈沖的新方法[J];振動與沖擊;2006年01期

5 魏立保;黃世軍;楊育林;;直升機自動傾斜器球鉸自潤滑關節(jié)軸承試驗機的研制[J];直升機技術;2008年02期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 崔寶珍;自適應形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學;2013年

本文編號：807019