本文關鍵詞：熵選擇IMF分量的滾動軸承故障診斷方法

  更多相關文章： 滾動軸承 變轉速信號 香農(nóng)熵 EMD分解 階比跟蹤 包絡解調(diào) FFT

【摘要】：滾動軸承是旋轉機械的關鍵組成部分,也是極容易損壞的部件之一,長期以來,對旋轉機械滾動軸承的故障診斷一直是業(yè)內(nèi)研究的重點和難點。通過分析旋轉機械運行過程中產(chǎn)生的振動信號可以實現(xiàn)對滾動軸承的故障診斷。絕大多數(shù)旋轉機械都是在變轉速工況下運行的,因此所產(chǎn)生的振動信號大部分都是非平穩(wěn)信號。當滾動軸承發(fā)生故障時,這些變轉速信號將會表現(xiàn)的更加明顯,并且其中包含豐富的故障特征信息。然而現(xiàn)有的信號處理方法并不能有效地完成變轉速工況下滾動軸承的故障診斷。 本文在對現(xiàn)有的信號處理方法進行研究的基礎上,提出了熵選擇IMF分量的滾動軸承故障診斷方法。該方法將EMD分解、香農(nóng)熵、傅里葉變換、階比跟蹤以及包絡解調(diào)等方法進行了有機結合,實現(xiàn)了對變轉速工況下振動信號的處理與分析,最終利用分析結果完成了對變轉速工況下滾動軸承的故障診斷,該方法的具體步驟如下。 首先,利用EMD分解方法對采集到的振動信號進行預處理,將其自適應的分解為一系列的本征模函數(shù),即IMF分量。該方法可以將原振動信號分解為不同頻率成分的振動信號,起到了濾波的作用。 其次,選擇合適的IMF分量分別提取滾動軸承的轉速信息與進行滾動軸承的故障診斷。為了更好的實現(xiàn)對故障信號的提取分析,首先需要求出EMD分解之后得到的各IMF分量的香農(nóng)熵,然后根據(jù)香農(nóng)熵值的大小判斷信號的無序性程度。香農(nóng)熵值越小,信號越有序；香農(nóng)熵值越大,信號越無序。當滾動軸承發(fā)生故障時,其故障表面與其它元件相接觸時會發(fā)生周期性的撞擊,從而產(chǎn)生間隔均勻的脈沖,因此本文選擇香農(nóng)熵值最小的IMF分量提取滾動軸承的故障特征。轉速信息一般位于信號的低頻段,僅僅利用香農(nóng)熵值的大小很難判斷信號頻率的分布情況,所以需要對IMF分量做FFT變換,了解各IMF分量的頻率分布,進而選擇合適的分量來提取振動信號中的轉速信息。 最后,提取故障特征,對滾動軸承進行故障診斷。利用提取的轉速信息對熵值最小的IMF分量做等角度重采樣,將其從時域非平穩(wěn)信號轉換為角域平穩(wěn)信號,對角域平穩(wěn)信號做包絡解調(diào),得到包絡階比譜,判斷滾動軸承的故障類型。 本文以多功能轉子試驗臺為實驗平臺,對上述方法進行了實驗驗證,實驗結果表明該方法能夠準確可靠地實現(xiàn)變轉速工況下滾動軸承的故障診斷。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3;TH133.33

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐振輝,馬立元;滾動軸承的故障特征提取[J];兵工自動化;2004年01期

2 楊翠麗;秦榮;杜燦誼;;基于EMD理論的等角度重采樣方法在凸輪軸故障診斷中的應用[J];車用發(fā)動機;2011年06期

3 陳平;李慶民;趙彤;;瞬時頻率估計算法研究進展綜述[J];電測與儀表;2006年07期

4 馮輔周;饒國強;張麗霞;司愛威;;基于EMD和排列熵的軸承異常檢測方法研究[J];軸承;2013年02期

5 鄒紅星,戴瓊海,李衍達,盧旭光;不含交叉項干擾且具有WVD聚集性的時頻分布之不存在性[J];中國科學E輯:技術科學;2001年04期

6 彭立中,王永革;具有優(yōu)美結構的緊支正交小波的構造[J];中國科學E輯:技術科學;2004年02期

7 鄭海波,李志遠,陳心昭;基于連續(xù)小波變換的齒輪故障診斷方法研究[J];機械工程學報;2002年03期

8 郭瑜,秦樹人,湯寶平,紀躍波;基于瞬時頻率估計的旋轉機械階比跟蹤[J];機械工程學報;2003年03期

9 姜鳴,陳進,汪慰軍;幾種Cohen類時頻分布的比較及應用[J];機械工程學報;2003年08期

10 鄧擁軍,王偉,錢成春,王忠,戴德君;EMD方法及Hilbert變換中邊界問題的處理[J];科學通報;2001年03期

，

本文編號：1208915