本文關(guān)鍵詞：基于振動信號的滾動軸承故障特征提取研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種重要部件,其運行狀態(tài)直接影響整臺機(jī)械的性能,對其進(jìn)行故障診斷具有重要的意義。旋轉(zhuǎn)機(jī)械故障診斷包括信號的測量、特征提取、狀態(tài)診斷和狀態(tài)分析四個步驟,其中最核心的部分就是故障信號的特征提取。本文以滾動軸承為研究對象,研究了基于振動信號的滾動軸承特征提取的方法。本文介紹了滾動軸承的振動機(jī)理,對幾種典型故障類型及形成原因進(jìn)行分析。目前常用的滾動軸承故障診斷方法有溫度檢測法、油液檢測法、振動分析法及聲發(fā)射法等,本文采用的是振動分析法。首先,研究了軸承信號的時域分析方法,包括有量綱參數(shù)和無量綱參數(shù)的特征提取方法。通過對比正常信號和故障信號的時域統(tǒng)計指標(biāo)參數(shù)值的變化,得到故障信號的時域特征。其次,研究了軸承信號的頻域分析方法,主要采用希爾伯特解調(diào)的方法對滾動軸承進(jìn)行特征提取。實際的滾動軸承故障中,一般會有周期性的脈沖信號產(chǎn)生,使其故障信號出現(xiàn)調(diào)制現(xiàn)象,固有頻率的兩側(cè)呈現(xiàn)間隔均勻的調(diào)制邊頻帶表現(xiàn)在頻譜上。解調(diào)的分析方法,可以從故障信號中提取出調(diào)制信息,但該方法需要事先知道軸承的故障頻率。再次,研究了時頻域的分析方法,針對軸承信號采集過程中噪聲的影響,本文提出了一種基于相關(guān)性小波奇異熵的滾動軸承特征提取方法。該方法首先對采集的信號進(jìn)行小波變換,得到其小波系數(shù)。利用信號和噪聲的小波變換在各個尺度下具有不同的傳播特性,對小波系數(shù)做相關(guān)計算,達(dá)到抑制噪聲的目的。將其處理后的系數(shù)進(jìn)行奇異值分解,對奇異值進(jìn)行信息熵計算,得到了相關(guān)性小波奇異熵。通過模擬軸承信號的仿真研究,驗證了該方法能夠抑制噪聲的影響。將該方法應(yīng)用于實際的軸承特征提取中,采用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類,驗證了該方法的有效性。最后,由于EMD分解具有自適應(yīng)性,適用于處理非線性、非平穩(wěn)的信號,本文提出了一種基于EMD瞬時功率譜熵的滾動軸承特征提取方法。該方法將軸承信號進(jìn)行EMD分解,得到有限個IMF分量,對這些分量進(jìn)行功率譜處理,計算其功率譜的信息熵。將該方法應(yīng)用于實際的軸承特征提取中,EMD瞬時功率譜熵作為特征向量,采用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類,驗證了該方法的有效性。
【關(guān)鍵詞】：滾動軸承 特征提取 小波變換 EMD分解 信息熵
【學(xué)位授予單位】：東北石油大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH133.33
【目錄】：

• 摘要4-5
• ABSTRACT5-7
• 創(chuàng)新點摘要7-10
• 第一章 緒論10-15
• 1.1 課題研究背景和意義10-11
• 1.2 滾動軸承故障診斷中特征提取的發(fā)展現(xiàn)狀11-13
• 1.2.1 基于時域分析的特征提取方法11
• 1.2.2 基于頻域分析的特征提取方法11-12
• 1.2.3 基于時頻域分析的特征提取方法12-13
• 1.3 本文的主要研究內(nèi)容及結(jié)構(gòu)安排13-15
• 第二章 基于時域分析的滾動軸承特征提取15-22
• 2.1 滾動軸承失效的形式及主要原因15-16
• 2.2 滾動軸承的故障機(jī)理16-17
• 2.3 滾動軸承的時域指標(biāo)17-19
• 2.4 基于時域分析的軸承特征提取方法19-21
• 2.4.1 滾動軸承故障模擬試驗平臺19-20
• 2.4.2 基于有量綱參數(shù)的特征提取20
• 2.4.3 基于無量綱參數(shù)的特征提取20-21
• 2.5 本章小結(jié)21-22
• 第三章 基于希爾伯特解調(diào)的滾動軸承特征提取22-31
• 3.1 滾動軸承的特征頻率22-24
• 3.1.1 滾動軸承的固有振動頻率22-23
• 3.1.2 滾動軸承的故障特征頻率23-24
• 3.2 基于希爾伯特解調(diào)的特征提取方法24-26
• 3.2.1 希爾伯特變換25
• 3.2.2 希爾伯特解調(diào)的基本原理25-26
• 3.3 基于希爾伯特解調(diào)滾動軸承特征提取的步驟26-27
• 3.4 仿真與實驗27-30
• 3.4.1 模擬軸承信號的特征提取研究27-28
• 3.4.2 實際軸承信號的特征提取研究28-30
• 3.5 本章小結(jié)30-31
• 第四章 基于相關(guān)性小波奇異熵的滾動軸承特征提取31-43
• 4.1 小波變換的基本原理31-33
• 4.2 基于相關(guān)性小波奇異熵的特征提取33-36
• 4.2.1 相關(guān)性計算33-34
• 4.2.2 奇異值分解34-35
• 4.2.3 信息熵35-36
• 4.3 基于相關(guān)性小波奇異熵特征提取方法的步驟36
• 4.4 仿真與實驗36-39
• 4.4.1 模擬軸承信號的特征提取研究36-38
• 4.4.2 實際軸承信號的特征提取研究38-39
• 4.5 基于概率神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷39-42
• 4.5.1 概率神經(jīng)網(wǎng)絡(luò)39-41
• 4.5.2 概率神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)描述41
• 4.5.3 相關(guān)性小波奇異熵在滾動軸承故障診斷中的應(yīng)用41-42
• 4.6 本章小結(jié)42-43
• 第五章 基于EMD瞬時功率譜熵的滾動軸承特征提取43-51
• 5.1 EMD分解方法43-45
• 5.1.1 瞬時頻率43-44
• 5.1.2 本征模態(tài)函數(shù)（IMF）44
• 5.1.3 EMD算法的分解過程44-45
• 5.2 基于EMD瞬時功率譜熵的特征提取45-46
• 5.2.1 功率譜分析45-46
• 5.2.2 基于EMD瞬時功率譜熵的滾動軸承特征提取的步驟46
• 5.3 仿真與實驗46-49
• 5.3.1 模擬軸承信號的特征提取研究46-48
• 5.3.2 實際軸承信號的特征提取研究48-49
• 5.4 基于概率神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷49-50
• 5.5 本章小結(jié)50-51
• 結(jié)論51-52
• 參考文獻(xiàn)52-56
• 發(fā)表文章目錄56-57
• 致謝57-58

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 陸人定;;齒輪箱故障時域和頻域綜合診斷技術(shù)[J];機(jī)電工程技術(shù);2007年06期

  本文關(guān)鍵詞：基于振動信號的滾動軸承故障特征提取研究，由筆耕文化傳播整理發(fā)布。

本文編號：386388