【摘要】：旋轉機械在各行各業(yè)均有廣泛應用,轉子-軸承系統(tǒng)是旋轉機械的核心部件,也是轉子動力學的重點研究對象。轉子裂紋故障是轉子-軸承系統(tǒng)的一種常見故障,對其動力學特征展開研究及進行故障特征量提取是十分必要的。本文將呼吸裂紋轉子-軸承系統(tǒng)作為整體數(shù)學建模并進行了數(shù)值仿真計算,分析了系統(tǒng)的動力學特性。針對傳統(tǒng)動力學非線性分析方法難以在低轉速小裂紋下難以識別裂紋故障的問題,引入HHT分析方法并據此提取其故障特征量,以達到在低轉速小裂紋時對故障進行有效診斷的目的。本文主要工作有:(1)對當前呼吸裂紋故障數(shù)學模型進行了總結研究,并基于中性軸偏移法對模型進行了簡化。研究表明,與經典的裂紋模型對比可知,偏移中性軸模型在裂紋角較小時與綜合模型差別不大,起始閉合角度由于中性軸產生了偏移,較綜合模型而言增大,更符合實際情況;裂紋角較大時綜合模型與余弦模型相似,而偏移中性軸模型裂紋全開區(qū)間有明顯的增大,符合實際情況。(2)對呼吸裂紋轉子-軸承系統(tǒng)動力學方程進行數(shù)值求解,主要對系統(tǒng)做了經典轉子動力學非線性分析。研究結果表明:當呼吸裂紋轉子兩端加上受非線性油膜力影響的軸承之后,裂紋轉子在轉速為1/3、1/2倍臨界轉速時的亞臨界共振現(xiàn)象消失,時域圖、龐加萊圖、軸心軌跡圖及頻譜圖上均無法體現(xiàn)裂紋的存在;在高轉速下系統(tǒng)的分岔圖、瀑布圖呈現(xiàn)出復雜的動力學特征,頻率成分增多,多周期運動與擬周期運動交替出現(xiàn)。(3)對不同裂紋深度下的系統(tǒng)模型進行了 EMD分解,對分解出的前三高頻率IMF分量分別進行HHT譜分析及邊際譜分析,計算結果表明:隨著裂紋的增大,其系統(tǒng)響應分解出的前二高頻率IMF1、IMF2分量瞬時頻率域增大,頻率成分增多,幅值基本保持不變,而第三高IMF3分量整個時間域內頻率保持穩(wěn)定,幅值變化程度大,且隨著時間的變化波動程度加劇,由此可知呼吸裂紋對系統(tǒng)的影響主要體現(xiàn)在HHT方法提取的低頻分量上。(4)利用EMD方法提取的系統(tǒng)響應IMF分量,分別構造了不同的矩陣計算奇異值作為裂紋故障特征量,并對原始信號加入高斯白噪聲模擬實際信號,研究表明以Volterra預測級數(shù)法構造的矩陣奇異值作為故障特征量在亞臨界轉速時對裂紋故障具有良好的敏感性和穩(wěn)定性。
【圖文】：

第一個條件，相較傳統(tǒng)信號的定義類似于窄帶信號，第二個條件目的在于控件，使其限制為局部限定，用來消除瞬時頻率波動，該波動是由波形不對稱造成的F 分量體現(xiàn)了數(shù)據內部的震蕩模式，每個 IMF 只有一個振蕩模式，沒有復雜的波的，如下圖為一個典型的 IMF 分量。

圖 2-3 （a）Volterra 級數(shù)預測法實際值、預測值（b）預測絕對誤差(a) True and Predicted Values of Volterra Series Prediction Methods (b) Predicted Absol方程是著名的混沌時間序列，經計算可知，Volterra 預測模型在短時間內取度。由此可見該方法對于時間系列的預測具有很好的精度。2） 神經網絡預測模型構相空間后，建立神經網絡預測模型進行預測在混沌動力學中是十分常見于混沌時間序列內部存在確定的規(guī)律性，其規(guī)律源于系統(tǒng)內部的非線性，序列中體現(xiàn)出相關性。目前神經網絡預測技術已有廣泛成熟的應用，本文也不做重點應用，因此僅簡略介紹其步驟。經網絡混沌時間序列預測的具體步驟為：建立網絡，，確定嵌入維數(shù) m 作為神經網絡的輸入個數(shù)。學習階段，輸入 N-1 個數(shù)值序列，不斷修正誤差，直到誤差被控制在所需圍之內。預測，將第 N 個數(shù)值輸入神經網絡，加權后輸出即為預測值。
【學位授予單位】：西安理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TH133

【參考文獻】

相關期刊論文 前10條

1 李江;李曉玉;;基于HHT的心音分段和醫(yī)學指標提取[J];控制工程;2015年01期

2 余世鵬;楊勁松;王相平;姚榮江;劉廣明;;基于HHT的濱海降水多尺度時頻特征研究[J];灌溉排水學報;2015年01期

3 許豐;賀日政;張貴賓;;格林樣條插值算法及其應用[J];地球物理學進展;2013年04期

4 李肖;潘宏俠;;基于HHT時域邊際譜的滾動軸承故障診斷[J];煤礦機械;2013年07期

5 郝剛;潘宏俠;;小波包降噪與HHT在齒輪箱滾動軸承中的故障診斷[J];礦山機械;2012年10期

6 楊丹;甘春標;楊世錫;熊p

本文編號：2652578