【摘要】：滾動軸承作為旋轉機械中應用最多且最容易損壞的部件之一,其運行狀態(tài)的好壞對設備本身和生產活動都有著重大的影響,深入開展?jié)L動軸承故障診斷和狀態(tài)檢測技術的研究,對于保障設備平穩(wěn)運行、減少事故發(fā)生具有重要意義。本文以滾動軸承為研究對象,從振動信號分析入手,將變分模態(tài)分解的時頻信號處理方法和支持向量機的模式識別方法相結合,研究一種用于滾動軸承的故障診斷和狀態(tài)識別方法。首先,本文對滾動軸承的故障機理和常用分析方法進行了詳細的論述。結合相關圖形對滾動軸承的結構與類型進行簡單的說明,在分析滾動軸承振動機理的基礎上,對其故障類型及原因、故障特征頻率以及常用分析方法等做了較為細致的分析,最后結合實際軸承信號對不同故障狀態(tài)下的振動信號的特性進行了闡述。其次,研究了變分模態(tài)分解(VMD)這一時頻信號處理方法并將其用于滾動軸承的早期故障診斷。在對VMD的相關原理進行闡述的基礎之上,為了展現(xiàn)該方法對信號的處理效果,針對信號的模態(tài)混疊問題構造了相關仿真信號并引入經(jīng)驗模態(tài)分解(EMD)方法與其對比,通過對比兩種方法對于仿真信號的處理結果展現(xiàn)出變分模態(tài)分解方法的優(yōu)異性。針對VMD在使用過程中的參數(shù)確定問題,提出以觀察中心頻率和局部峭度極大值尋優(yōu)相結合的解決方法,并在滾動軸承的早期故障診斷中進行了方法的驗證。再次,研究了多種群遺傳算法(MPGA)的支持向量機(SVM)的參數(shù)優(yōu)化方法,并創(chuàng)建用于滾動軸承狀態(tài)分類的MPGA-SVM模型。針對支持向量機模型中的參數(shù)選取問題考慮采用遺傳算法進行優(yōu)化,為比較標準遺傳算法和多種群遺傳算法的優(yōu)化效果,通過尋優(yōu)實例證實了多種群遺傳算法的優(yōu)化效果更好,最后將多種群遺傳算法應用于SVM模型的參數(shù)優(yōu)化問題,從而建立了用于滾動軸承狀態(tài)分類的MPGA-SVM模型。最后,提出了一種基于VMD-SVD與MPGA-SVM的滾動軸承故障診斷方法。鑒于變分模態(tài)分解方法在故障特征提取中的優(yōu)異表現(xiàn),引入奇異值分解方法與其相結合形成一種基于VMD-SVD的故障特征提取方法,將該故障特征提取方法與上節(jié)構建的MPGA-SVM相結合從而提出一種基于VMD-SVD與MPGASVM的滾動軸承故障診斷方法。為了展現(xiàn)所提方法的應用效果,將其應用于兩個軸承數(shù)據(jù)庫的故障診斷,良好的故障診斷效果證明了本文所提方法的有效性。為了便于本文方法的展示與應用,在本文所提方法的基礎之上,設計了相關的人機交互界面。
【圖文】：

2 滾動軸承故障機理及分析方法2 Fault Mechanism and Analysis Method of RollingBearing滾動軸承是機械設備中應用較為廣泛的軸承類型之一，由于工作環(huán)境復雜多變，是旋轉機械所有部件中故障發(fā)生率較高的一種，，滾動軸承的運行狀態(tài)好壞對整個機械的設備運行狀態(tài)影響較多，研究滾動軸承的典型結構和相關故障診斷理論知識，有助于診斷和預防生產和使用中的各種軸承故障，具有一定的理論和現(xiàn)實意義。2.1 滾動軸承的結構與類型（Structure and Type of RollingBearing）滾動軸承一般由內圈、外圈、滾動體以及保持架這四部分組成，其結構圖與軸向剖視圖如下圖 2-1 所示。

2 滾動軸承故障機理及分析方法承的運轉狀態(tài)主要是外圈保持靜止，而內圈隨軸轉動。滾動體形、圓柱形以及鼓形等，其通過保持架被固定在內外圈形成的滾道運轉，通過這種方式將摩擦形式由滑動摩擦轉變?yōu)闈L動摩擦，有提高。保持架除了有將滾動體固定于滾道之中的作用外，其結構動體可以等間距分布，此舉也消減了滾動體之間的摩損。滾動軸前較常用的滾動軸承類型如下圖 2-2 所示。
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 邵巖;盧迪;楊廣學;;分數(shù)階傅里葉變換在軸承故障診斷中的應用[J];哈爾濱理工大學學報;2017年03期

2 喬世民;軸承故障診斷技術的發(fā)展[J];中國設備管理;1989年01期

3 鮑明;趙淳生;紀國宜;陳志強;;MDS-1軸承故障診斷系統(tǒng)[J];振動、測試與診斷;1989年04期

4 甄敬然;趙偉軍;;基于經(jīng)驗模態(tài)分解和形態(tài)濾波的礦用軸承故障診斷[J];煤炭技術;2017年07期

5 沙美妤;劉利國;;基于振動信號的軸承故障診斷技術綜述[J];軸承;2015年09期

6 山紅偉;;煤礦機械齒輪和軸承故障診斷研究[J];科技致富向導;2015年17期

7 袁洪芳;姜宇萱;王華慶;;基于詞袋模型和極限學習機的軸承故障診斷[J];測控技術;2017年02期

8 劉琦;;基于小波分析的軸承故障診斷研究[J];煤;2013年07期

9 蘇明輝;薛光輝;趙國瑞;張明;;渣漿泵軸承故障診斷系統(tǒng)設計與應用[J];煤炭工程;2009年02期

10 江偉;;機車軸承故障診斷中的多智能傳感器技術應用分析[J];鐵路計算機應用;2008年03期

相關會議論文 前10條

1 劉鋒;馬懷祥;王亞濤;;基于共振解調的滾動軸承故障診斷[A];現(xiàn)代振動與噪聲技術（第九卷）[C];2011年

2 徐新韜;王華慶;沈偉;李嶺陽;楊曉;;基于信息融合與1.5維譜的軸承故障診斷方法[A];2015年中國機械工程學會設備與維修工程分會學術年會論文集[C];2015年

3 郜普剛;何田;林意洲;劉獻棟;;基于局部均值分解的滾動軸承故障診斷[A];2010中國汽車工程學會年會論文集[C];2010年

4 李琳;張永祥;童艷;;基于聲發(fā)射和高階譜分析的滾動軸承故障診斷[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

5 高耀智;譚援強;;基于1(1/2)譜與小波分析相結合的滾動軸承故障診斷[A];2009年全國青年摩擦學學術會議論文集[C];2009年

6 任獲榮;馬亞男;李勝剛;;熵隨機共振在軸承故障診斷中的應用研究[A];2012年陜西省焊接學術交流會論文集[C];2012年

7 沈路;周曉軍;張杰;;基于形態(tài)非抽樣小波與灰色關聯(lián)度的滾動軸承故障診斷[A];2011年機械電子學學術會議論文集[C];2011年

8 曹亮;王景霖;沈勇;單添敏;林澤力;陳杰;;基于HMM的軸承故障診斷方法[A];“測試性與智能測控技術”——2018年中國航空測控技術�？痆C];2018年

9 陶巖;朱華;王萬迅;賀勇;李剛;謝鳴;;國產狀態(tài)監(jiān)測系統(tǒng)在軸承故障診斷上的應用[A];2016年全國設備監(jiān)測診斷與維護學術會議暨第十五屆全國設備故障診斷學術會議、第十七屆全國設備監(jiān)測與診斷學術會議、2016年全國設備診斷工程會議論文集[C];2016年

10 陶新民;徐晶;杜寶祥;徐勇;;基于相空間奇異譜的SOM軸承故障診斷模型[A];第二十七屆中國控制會議論文集[C];2008年

相關重要報紙文章 前1條

1 通訊員 蔡義杰 記者 唐先武;軸承故障診斷有了“透視鏡”[N];科技日報;2001年

相關博士學位論文 前5條

1 梁瑜;地鐵列車軸承故障診斷及在途診斷系統(tǒng)研究[D];北京交通大學;2014年

2 褚東亮;旋轉機械故障信號分析及診斷技術研究[D];華北電力大學(北京);2017年

3 胡永濤;基于多特征融合及深度信念網(wǎng)絡的軸承故障診斷[D];燕山大學;2017年

4 王雷;基于流形學習的滾動軸承故障診斷若干方法研究[D];大連理工大學;2013年

5 周俊;機械故障信號欠定源估計與盲提取方法研究[D];昆明理工大學;2015年

相關碩士學位論文 前10條

1 彭劉陽;基于振動信號的滾動軸承故障診斷與狀態(tài)識別方法研究[D];中國礦業(yè)大學;2019年

2 董德億;基于輸出信號相關性分析的軸承故障診斷方法[D];杭州電子科技大學;2018年

3 鄭慶標;基于小波分析的軸承故障診斷系統(tǒng)的研制及應用[D];北京交通大學;2018年

4 謝乾坤;城軌列車軸承故障診斷試驗系統(tǒng)設計與實現(xiàn)[D];長安大學;2018年

5 劉恩仁;風電機組傳動鏈軸承故障診斷[D];華北電力大學(北京);2018年

6 徐劍濤;基于極點對稱模態(tài)分解及改進支持向量機的軸承故障診斷[D];燕山大學;2018年

7 齊申武;基于振動信號分析的滾動軸承故障診斷及壽命預測研究[D];燕山大學;2018年

8 黃陽;基于振動信號降噪與分解的軸承故障診斷研究[D];西安理工大學;2018年

9 羅映蓮;基于改進粒子群和SVM的電機軸承故障診斷方法研究[D];大連交通大學;2017年

10 黃建新;多傳感器數(shù)據(jù)融合技術在軸承故障診斷中的應用研究[D];武漢理工大學;2006年

本文編號：2698603