發(fā)布時間：2020-08-12 09:56

【摘要】：滾動軸承是機械設備中最常用的部件之一,因此,對滾動軸承故障診斷的研究十分重要。當軸承某一元件表面出現局部損傷時,在受載運行過程中要周期性地撞擊與之相互作用的其他元件表面而產生周期性的沖擊脈沖力。由于沖擊脈沖力的頻帶很寬,會覆蓋軸承系統(tǒng)的各個固有頻率,所以該脈沖力同理想脈沖一樣必然激起軸承系統(tǒng)的各個固有振動。這樣,原來的平穩(wěn)振動信號變成了非平穩(wěn)振動信號。Fourier變換在頻域上是完全局部化的,但它不能提供任何時域的局部化特征。因此它不適應非平穩(wěn)信號的分析;而窗口傅立葉變換盡管在時域和頻域均具有一定的局部化特征,但其局部化卻是固定不變的。小波分析能多尺度地同時提供信號在時域和頻域的局部化信息,因而成為信號處理尤其是非平穩(wěn)信號處理的重要手段。針對基于小波包分析的滾動軸承故障診斷,本文主要在以下幾方面展開研究: 1.系統(tǒng)地介紹了滾動軸承的振動機理及其典型故障的振動特征; 2.細致地闡述了小波分析的基本理論及其在信號處理中的應用,引進了移頻算法的小波包分解和重構以克服Mallat算法中的頻率混迭現象,使分解系列的排列順序與頻帶的劃分順序一一對應。 3.闡述了基于小波包分解與重構的細化包絡解調和時延相關解調的原理,分別用這兩種解調法對滾動軸承幾種典型故障進行了診斷,并比較了它們的診斷結果。實驗結果表明,在滾動軸承故障診斷中時延相關解調與包絡解調相比,噪聲影響大幅減小,故障信息得以凸現。 4.介紹了利用BP神經網絡進行故障診斷的原理及其步驟,針對BP算法存在的不足,本文采用了動量法和學習速率自適應調整的策略對BP算法進行改進同時,利用小波包分解與重構提取滾動軸承振動信號的特征,然后由BP神經網絡進行故障診斷。實驗結果表明了這一方法的可行性和有效性。
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2005
【分類號】：TH133.33
【圖文】：

圖.22表面損傷類軸承振動加速度信號時域波形及其細化時域波形滾動軸承的故障特征頻率一般在IK石貽以下，它是滾動軸承故障的重要信息一。本文的第四章將討論如何將軸承故障時產生的低頻通過振動從復雜的高頻有振動中分離出來，以計算其故障特征頻率，從而確定軸承故障發(fā)生的部位。下面我們將給出不受軸向力時軸承的故障特征頻率:1.2個滾動體與內圈上某一損傷點接觸的故障為:，z_dcosa、_r二二(1一~一一二一一)j:F雀乙去夕(2.3)2.2個滾動體與外圈上某一損傷點接觸的故障為:4)5)，一.1.、，J聲廠·敘1班華竺)sf盯U乙，L3.滾動體上某一損傷點與內圈或外圈接觸的故障為:f，=舟(1dZeosZaD2)sf

(1)軸承有偏心時的振動a當軸承有偏心時，例如當軸承的內環(huán)嚴重磨損或開裂時，軸的中心(內環(huán)中心)口便以外環(huán)中心O為中心作振擺。這時發(fā)生的振動情況如圖.24所示。此時振動的頻率為nof(of為旋轉頻率，。=，12，…)。下文將簡要介紹滾動軸承內圈、外圈和滾動體分別存在單個損傷類故障時軸第10頁共74頁

基于小波包分析的滾動軸承故障智能診斷承振動信號及其包絡頻譜圖。(2)外圈有單個損傷類故障時的振動。當滾動軸承外圈的某個部分存在點蝕、剝落、擦傷等損傷類故障時，便會發(fā)生如圖.27所示的振動。

【引證文獻】

相關碩士學位論文 前10條

1 李虹;基于小波包變換與粗糙集的滾動軸承故障診斷研究[D];太原理工大學;2011年

2 郭計云;基于小波分析的滾動軸承故障診斷方法研究[D];中北大學;2007年

3 曾蕓;基于小波分析的滾動軸承故障診斷方法研究[D];南昌大學;2007年

4 張曉平;基于支持向量機的多類分類算法研究及在滾動軸承故障識別中的應用[D];太原理工大學;2007年

5 于鳳英;基于遺傳神經網絡的煤巖界面識別方法的研究[D];太原理工大學;2007年

6 孟敬;基于DSP的鼠籠異步電機故障綜合診斷系統(tǒng)的研究[D];天津理工大學;2008年

7 張國瑞;基于小波包—神經網絡的機車軸承故障診斷的研究[D];中南大學;2010年

8 王海鋒;基于Park矢量與信息融合技術的電機故障診斷[D];曲阜師范大學;2012年

9 董群英;基于非平穩(wěn)時序分析的滾動軸承故障特征提取方法研究[D];中南大學;2012年

10 楊云云;造紙機干燥部滾動軸承的故障診斷研究[D];陜西科技大學;2012年

本文編號：2790384