【摘要】：在機(jī)械故障診斷領(lǐng)域,許多學(xué)者一直將滾動軸承視為重點研究對象。由于機(jī)械設(shè)備中滾動軸承發(fā)生故障時,檢測出的故障信號往往具有非平穩(wěn)和非線性特征,因此如何從這些故障狀態(tài)信號中提取出有效的故障特征是機(jī)械設(shè)備故障診斷的關(guān)鍵。近幾年,變分模態(tài)分解(VMD)作為一種新的信號處理方法,不僅改善了其他時頻分析方法具有的缺陷,而且能將不同運行狀態(tài)信號精確分解得到時域、頻域局部信息,因此,本文將其應(yīng)用于滾動軸承的特征提取中,并構(gòu)建信號的原始故障特征集。由于對信號分量提取的故障特征集往往存在大量冗余信息,彼此干擾并產(chǎn)生模式混淆,同時也可能會導(dǎo)致“維數(shù)災(zāi)難”問題的出現(xiàn),嚴(yán)重影響故障識別效果。因此,有必要對復(fù)雜、高維的信號特征集進(jìn)行維數(shù)優(yōu)化處理以實現(xiàn)敏感特征提取。而數(shù)據(jù)降維方法具有降低維數(shù)、提取有效特征的能力。因此,本文結(jié)合變分模態(tài)分解(VMD)的優(yōu)勢,提出了一種VMD和局部切空間排列算法(LTSA)相結(jié)合的滾動軸承故障診斷方法。首先利用VMD算法分解滾動軸承不同運行狀態(tài)下的振動信號,通過求取瞬時頻率均值并繪制特征曲線篩選出與原始信號最為相關(guān)的幾個分量,然后,提取有效模態(tài)分量的時域指標(biāo)和小波包頻帶分解能量所構(gòu)成的頻域指標(biāo),構(gòu)成高維故障特征后,再應(yīng)用LTSA對高維特征進(jìn)行敏感提取,最后輸入K-means分類器中辨別故障類型。課題主要研究內(nèi)容如下:(1)以圓柱滾子軸承為研究對象,對該軸承采用SG雙金屬電刻機(jī)加工出滾動體、內(nèi)圈、以及滾動體與內(nèi)圈復(fù)合這三種故障狀態(tài)的點蝕故障,然后將其安裝在BVT-5軸承振動測試機(jī)上,最后,通過東方振動噪聲研究所的INV—1618C采集滾動軸承模的四種狀態(tài)振動信號。(2)研究了VMD方法中模態(tài)參數(shù)K的選取問題,提出通過求取瞬時頻率均值并繪制特征曲線,篩選出與原始信號最為相關(guān)的分量來確定模態(tài)參數(shù)K的方法,并利用仿真數(shù)據(jù)驗證了該方法的有效性。(3)提出了VMD+時頻域故障特征提取方法,并將該方法與時頻域、EMD+時頻域故障特征提取方法分類效果進(jìn)行對比分析,實驗結(jié)果表明VMD+時頻域方法效果明顯,且無需人工設(shè)置任何參數(shù)。(4)通過深溝球軸承和圓柱滾子軸承故障診斷對比實驗分析,發(fā)現(xiàn):與時頻特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分類效果和識別精度上更具優(yōu)勢;LTSA算法相比較于PCA、LPP、LE、ISOMAP和LLE這5種流形學(xué)習(xí)算法,其降維后的故障特征敏感性最好。實驗結(jié)果表明,本文所提方法在深溝球軸承和圓柱滾子軸承故障診斷方面具有一定的優(yōu)越性。
【學(xué)位授予單位】：安徽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TH133.33
【圖文】：

價決策：根據(jù)診斷的結(jié)果來合理的選取應(yīng)對措施，盡量以經(jīng)濟(jì)、高效的原則來對設(shè)備進(jìn)行監(jiān)測和維護(hù)。故障診斷流程圖如1.1 所示。圖1.1 故障診斷流程圖1.3 滾動軸承故障特征提取法研究現(xiàn)狀1.3.1 常見故障特征提取方法在 1.2.2 小節(jié)中介紹了4 種常用的故障狀態(tài)信號獲取方式，其中振動信號分析法是目前應(yīng)用最廣泛、最有效的監(jiān)測技術(shù)[15]，而其他 3 種方法一般應(yīng)用于具有特定需求的信號分析場合。在振動信號分析方法，廣泛應(yīng)用的方法有三種，即時域分析法、頻域分析法和時頻分析法。

16圖 2.2VMD算法流程圖EMD 方法的比較仿真信號進(jìn)行測試驗證，仿真信號中信號1x 為一個調(diào)幅調(diào)頻信組成。其驗證信號如下：21x ( t ) (1 0.5 sin(5 t )) cos(250 t 20 t)2x ( t ) 4 sin(40 t)1 2x ( t ) x ( t ) x ( t)

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 張淑清;翟欣沛;董璇;李亮;唐佰文;;EMD及Duffing振子在小電流系統(tǒng)故障選線方法中的應(yīng)用[J];中國電機(jī)工程學(xué)報;2013年10期

2 萬鵬;王紅軍;徐小力;;局部切空間排列和支持向量機(jī)的故障診斷模型[J];儀器儀表學(xué)報;2012年12期

3 楊慶;陳桂明;何慶飛;劉鯖潔;;局部切空間排列算法用于軸承早期故障診斷[J];振動.測試與診斷;2012年05期

4 馬玉鑫;王夢靈;侍洪波;;基于局部線性嵌入算法的化工過程故障檢測[J];化工學(xué)報;2012年07期

5 陳亞農(nóng);郜普剛;何田;劉獻(xiàn)棟;;局部均值分解在滾動軸承故障綜合診斷中的應(yīng)用[J];振動與沖擊;2012年03期

6 馬晶;;Wigner-Ville分布及其在故障診斷中的應(yīng)用[J];儀表技術(shù);2011年01期

相關(guān)碩士學(xué)位論文 前6條

1 葉衛(wèi)東;基于盲源分離和多尺度熵（MSE）的滾動軸承故障診斷[D];西南科技大學(xué);2017年

2 王瀟瀟;基于經(jīng)驗?zāi)B(tài)分解的心電信號壓縮研究[D];浙江大學(xué);2017年

3 董玉蘭;基于變分模態(tài)分解和廣義分形維數(shù)的滾動軸承故障診斷[D];燕山大學(xué);2016年

4 楊陽;數(shù)據(jù)挖掘K-means聚類算法的研究[D];湖南師范大學(xué);2015年

5 包紅燕;基于MEMD和條件熵相空間重構(gòu)的滾動軸承故障診斷[D];燕山大學(xué);2014年

6 陳守海;基于流形學(xué)習(xí)的滾動軸承早期故障識別方法研究[D];大連理工大學(xué);2014年

本文編號：2739657