滾動軸承作為旋轉(zhuǎn)機械的核心部件,一旦出現(xiàn)異常將影響設(shè)備的正常工作,因此,研究滾動軸承故障診斷方法對于保障機械設(shè)備的安全性和可靠性具有重要意義。本文以滾動軸承為研究對象,針對滾動軸承振動信號的特征提取和故障模式分類的問題,進行了一系列的研究工作。主要內(nèi)容如下:首先,在理論分析和工程應(yīng)用的基礎(chǔ)上,系統(tǒng)闡述了此課題的研究背景及實際意義,對滾動軸承的結(jié)構(gòu)、振動機理、診斷方法,以及滾動軸承故障診斷的研究現(xiàn)狀與發(fā)展趨勢作了較為全面的闡述。其次,為了克服經(jīng)驗?zāi)B(tài)分解方法中模態(tài)混疊和過分解等缺陷,在綜述傳統(tǒng)信號處理技術(shù)和現(xiàn)代信號處理技術(shù)的基礎(chǔ)上,介紹了變分模態(tài)分解方法,并通過仿真對比分析,證明VMD算法能很好的完成頻率分離,在抑制模態(tài)混疊以及抗干擾方面的性能優(yōu)于EMD方法。再次,本文以混沌思想替代粒子群算法原有的以隨機方式產(chǎn)生初始種群的方法,并將混沌粒子群優(yōu)化算法用于支持向量機中,以替代傳統(tǒng)支持向量機利用網(wǎng)格尋優(yōu)初始化參數(shù)的方法。利用VMD多尺度熵均偏值作為特征參數(shù),輸入到分類網(wǎng)絡(luò)中進行分類測試,分類結(jié)果表明該方法在滾動軸承故障模式分類方面的有效性。最后,本文利用Lab VIEW軟件開發(fā)了一套滾動軸承故障診斷系統(tǒng),集數(shù)據(jù)的采集存儲、特征提取與故障分類功能為一體,該平臺提供良好的人機交互界面,通過實驗證明該系統(tǒng)具有實用價值。
【學(xué)位單位】：東北石油大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH133.33
【部分圖文】：

圖 1.1 軸承的基本結(jié)構(gòu)外圈、2 表示滾動體、3 表示內(nèi)圈、4 表示載，可以通俗地表述為支撐作用[26]；在機械的內(nèi)圈，當傳動軸進行轉(zhuǎn)動時，內(nèi)圈則會跟載，絕大多數(shù)都作用在軸承的滾動體上，滾過在相對運動表面之間產(chǎn)生滾動摩擦，從而動體能均勻分布，因此需要加裝保持架元件動體進行固定，以防其滑落。通過對軸承個滾動軸承中最重要的元件，對軸承的使用失效形式期處于高負載，復(fù)雜惡劣的工作環(huán)境，不可形式歸納如下[27]：運轉(zhuǎn)，則要求其具備足夠好的潤滑條件，其件若不能夠得到足夠的保障，比如潤滑油潤

東北石油大學(xué)工程碩士專業(yè)學(xué)位論文行采集的，圖 1.2 則為該實驗平臺。該故障模擬實驗平臺主要部件有、軸承底座、調(diào)速器、以及偏轉(zhuǎn)轉(zhuǎn)盤等。模擬實驗平臺通過更換軸承模擬滾動體裂紋故障、內(nèi)圈裂紋故障、外圈裂紋故障。振動數(shù)據(jù)通過采集，得到的數(shù)據(jù)用于分析診斷滾動軸承的不同工作狀態(tài)。

本文具體特征提取的具體步驟為：1．利用 VMD 算法對原始信號 x ( t )進行分解，得到若干 IMF 分量 cti；2．求取每個 IMF 分量與原始信號的互相關(guān)系數(shù)，選取互相關(guān)系數(shù)最大的幾個 IMF分量 cti；3．再將 IMF 分量 cti分為s個尺度，并進行粗粒化；4．按照式(3.6)計算每個尺度的樣本熵；5．將步驟 3 求得的s個樣本熵帶入公式(3.11)計算該 IMF 分量 cti的多尺度熵均偏值；6．將所有 IMF 分量 cti的多尺度熵均偏值作為目標信號 x (t )的特征參數(shù)。3.4 實際軸承信號的特征提取研究本文采用的是圓柱滾子軸承N205，具體參數(shù)如表3-1：實驗數(shù)據(jù)來自QPZZ-II旋轉(zhuǎn)機械振動分析及故障診斷試驗平臺，具體參數(shù)如下：采樣率為10kHz ，采集數(shù)據(jù)樣本長度為8192點，電機轉(zhuǎn)速為1200 r /min。本文利用該實驗平臺采集四種狀態(tài)下的特征信號各80組。
【參考文獻】

相關(guān)期刊論文 前10條

1 李莉;朱永利;宋亞奇;;多尺度熵在變壓器振動信號特征提取中的應(yīng)用[J];振動.測試與診斷;2015年04期

2 劉長良;武英杰;甄成剛;;基于變分模態(tài)分解和模糊C均值聚類的滾動軸承故障診斷[J];中國電機工程學(xué)報;2015年13期

3 武英杰;劉長良;范德功;;基于自適應(yīng)高頻諧波LMD法的風電機組故障診斷[J];動力工程學(xué)報;2014年12期

4 茍競;劉俊勇;魏震波;Gareth Taylor;劉友波;;基于多尺度熵的電力能量流復(fù)雜性分析[J];物理學(xué)報;2014年20期

5 王金東;代梅;夏法鋒;趙海峰;;基于EMD信息熵和支持向量機的往復(fù)壓縮機軸承故障診斷[J];流體機械;2014年07期

6 向丹;;基于LabVIEW的滾動軸承故障診斷系統(tǒng)的開發(fā)[J];礦山機械;2013年10期

7 鄭近德;程軍圣;胡思宇;;多尺度熵在轉(zhuǎn)子故障診斷中的應(yīng)用[J];振動.測試與診斷;2013年02期

8 張淑清;孫國秀;李亮;李新新;監(jiān)雄;;基于LMD近似熵和FCM聚類的機械故障診斷研究[J];儀器儀表學(xué)報;2013年03期

9 王歆媛;汪豐;;基于EEG復(fù)雜度和近似熵的睡眠自動分期[J];軟件;2013年02期

10 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎(chǔ)研究“何去何從”[J];機械工程學(xué)報;2013年01期

相關(guān)博士學(xué)位論文 前5條

1 李振東;高速重載軸承長壽命薄膜的低溫制備與性能研究[D];中國農(nóng)業(yè)機械化科學(xué)研究院;2017年

2 王婷;EMD算法研究及其在信號去噪中的應(yīng)用[D];哈爾濱工程大學(xué);2010年

3 王衍學(xué);機械故障監(jiān)測診斷的若干新方法及其應(yīng)用研究[D];西安交通大學(xué);2009年

4 胡愛軍;Hilbert-Huang變換在旋轉(zhuǎn)機械振動信號分析中的應(yīng)用研究[D];華北電力大學(xué)（河北）;2008年

5 唐發(fā)明;基于統(tǒng)計學(xué)習理論的支持向量機算法研究[D];華中科技大學(xué);2005年

相關(guān)碩士學(xué)位論文 前6條

1 黃陽;基于經(jīng)驗?zāi)B(tài)分解的軸承故障診斷系統(tǒng)研究[D];東北石油大學(xué);2016年

2 李子茜;基于時頻分析的管道泄漏信號故障診斷研究[D];東北石油大學(xué);2016年

3 張雷;基于粒子群算法的神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];華南理工大學(xué);2016年

4 王亞超;基于局部均值分解的旋轉(zhuǎn)機械故障診斷技術(shù)研究[D];燕山大學(xué);2015年

5 馬秀峰;微混合器混合效果的研究[D];東北大學(xué);2011年

6 姜銳紅;基于循環(huán)平穩(wěn)的滾動軸承早期故障診斷應(yīng)用研究[D];桂林電子科技大學(xué);2009年

本文編號：2867169