本文關鍵詞：滾動軸承變工況條件下靜電監(jiān)測特征提取及故障程度識別方法研究

  更多相關文章： 軸承 故障注入 變工況 靜電監(jiān)測 特征提取 故障程度識別

【摘要】：隨著現代工業(yè)及科學技術的迅速發(fā)展，機電設備越來越向著大型化、復雜化、高速化、自動化和智能化方向發(fā)展，不僅每一臺設備不同部件之間相互緊密配合，，而且不同設備之間也同樣需要良好穩(wěn)定的配合。滾動軸承作為旋轉機械的重要部件，其性能退化或失效影響整體性能甚至導致設備非計劃停機，造成經濟損失甚至人員傷亡。如何能夠保證維修的及時性，避免“維修不足”和“維修過剩”是現階段需要解決的重要問題，因此對軸承進行故障程度的識別就變得尤為重要，要在設備發(fā)生故障時及時識別出故障程度并采取相應措施。 基于磨損區(qū)域的靜電監(jiān)測目前尚處于初步研究階段，軸承在磨損的過程中會產生帶電微粒。本文通過設計靜電傳感器，以此來監(jiān)測實驗中不同故障程度的滾動軸承運行時所產生的靜電信號，提取靜電信號的時域頻域、EMD能量熵、小波能量譜熵以及奇異譜熵等多維特征，并對比PCA、LPP及OLPP三種多維特征參數維數約減方法，進而提出多維特征參數融合的軸承故障程度識別方法。 論文主要研究內容如下： （1）闡述了本文選題的背景和意義，通過國內外研究資料分析了性能退化評估、信號特征提取、維數約減方法、靜電監(jiān)測和變工況條件下軸承故障識別在國內外的發(fā)展狀況，確立了本文的研究內容。 （2）介紹了磨損區(qū)域靜電信號產生機理和靜電監(jiān)測原理，并設計了磨損區(qū)域靜電傳感器。改裝了滾動軸承加速壽命疲勞試驗臺，并對滾動軸承注入不同大小尺寸的故障，進行了變工況條件下滾動軸承故障注入實驗。 （3）研究了磨損區(qū)域靜電監(jiān)測信號的特征提取方法。通過實驗結果比較了時域頻域指標、EMD能量熵、小波能量譜熵和奇異譜熵幾種特征參數對故障的識別能力。 （4）對監(jiān)測信號的多維特征參數在計算過程中的冗余問題，提出要對多特征參數準確地提取內在結構，并減少高維數據的冗余性和不一致性，為此介紹了PCA，LPP以及OLPP算法，比較了這些算法結構上的優(yōu)劣，并將所提取的不同故障程度的實驗數據分別用PCA，LPP及OLPP方法進行降維，取前兩維作圖進行比對分析，綜合分析結果表明本文采取的OLPP算法比PCA算法和LPP算法具有更好的局部保持能力和更準確的判斷力。 （5）為解決單特征參數對軸承故障程度識別能力不足的問題，提出基于OLPP-GMM的多參數融合故障識別方法。利用正交局部保持投影后正常狀態(tài)數據建立GMM模型，以NLLP表征測試數據與GMM模型的偏離程度作為反映故障程度的定量指標。結合滾動軸承變工況條件下提取的靜電監(jiān)測實驗數據，NLLP指標能夠定量的識別不同工況條件下的故障程度。
【關鍵詞】：軸承 故障注入 變工況 靜電監(jiān)測 特征提取 故障程度識別
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH133.33;TH165.3
【目錄】：

• 摘要4-6
• ABSTRACT6-8
• 目錄8-11
• 圖表清單11-13
• 縮略詞13-14
• 第一章 緒論14-22
• 1.1 研究概述14-15
• 1.1.1 研究來源14
• 1.1.2 研究背景14-15
• 1.1.3 研究目的及意義15
• 1.2 國內外研究概述15-20
• 1.2.1 變工況條件下軸承故障識別的發(fā)展現狀15-16
• 1.2.2 靜電監(jiān)測的研究現狀16-17
• 1.2.3 信號特征提取的研究現狀17-18
• 1.2.4 維數約減方法的研究現狀18-20
• 1.2.5 性能退化評估方法現狀20
• 1.3 論文結構安排20-22
• 第二章 靜電傳感器設計及實驗裝置說明22-35
• 2.1 引言22
• 2.2 滾動軸承磨損區(qū)域靜電信號的產生機理22-23
• 2.3 靜電傳感器的設計23-25
• 2.3.1 靜電傳感器的結構23-24
• 2.3.2 靜電監(jiān)測原理24-25
• 2.4 實驗說明及實驗裝置介紹25-33
• 2.4.1 滾動軸承加速疲勞壽命實驗臺25-28
• 2.4.2 數據采集系統(tǒng)28-29
• 2.4.3 軸承故障注入方法29-31
• 2.4.4 實驗方案及流程31-32
• 2.4.5 結果分析32-33
• 2.5 本章小結33-35
• 第三章 滾動軸承信號的特征提取35-49
• 3.1 常規(guī)指標特征提取35-39
• 3.1.1 時域頻域特征提取參數35-37
• 3.1.2 實驗結果分析37-39
• 3.2 EMD 能量熵39-42
• 3.2.1 EMD 分解及 EMD 能量熵的概念40-41
• 3.2.2 實驗結果分析41-42
• 3.3 小波能量譜熵42-45
• 3.3.1 小波分析及小波能量譜熵的概念42-43
• 3.3.2 實驗結果分析43-45
• 3.4 奇異譜熵45-47
• 3.4.1 奇異譜分析及奇異譜熵概念45-46
• 3.4.2 實驗結果分析46-47
• 3.5 本章小結47-49
• 第四章 多維特征參數維數約減方法49-56
• 4.1 引言49
• 4.2 PCA49-50
• 4.2.1 PCA 基本原理50
• 4.2.2 PCA 維數約減的作用50
• 4.3 LPP50-52
• 4.3.1 LPP 基本原理51-52
• 4.3.2 LPP 維數約減的作用52
• 4.4 OLPP52-53
• 4.4.1 OLPP 基本原理52-53
• 4.4.2 OLPP 維數約減的作用53
• 4.5 實驗結果分析53-55
• 4.6 本章小結55-56
• 第五章 基于 GMM 的變工況條件下滾動軸承故障程度識別方法56-71
• 5.1 引言56
• 5.2 支持向量數據描述方法理論56-60
• 5.2.1 支持向量數據描述（SVDD）算法56-58
• 5.2.2 核函數的引入及選取58-60
• 5.3 高斯混合模型方法理論60-63
• 5.3.1 高斯混合模型方法描述60-61
• 5.3.2 EM 算法描述61-63
• 5.3.3 實驗結果比較63
• 5.4 多參數融合的故障程度識別方法63-64
• 5.5 實驗驗證故障程度識別方法64-66
• 5.5.1 同轉速不同載荷下的故障程度識別64-65
• 5.5.2 同載荷不同轉速下的故障程度識別65
• 5.5.3 變工況條件下故障程度識別65-66
• 5.6 軸承故障靜電監(jiān)測信號處理與故障識別軟件系統(tǒng)設計66-70
• 5.6.1 系統(tǒng)概述66
• 5.6.2 系統(tǒng)總體概要設計66
• 5.6.3 詳細設計66-70
• 5.7 本章小結70-71
• 第六章 總結與展望71-73
• 6.1 本文完成的主要工作71
• 6.2 未來工作和展望71-73
• 參考文獻73-81
• 致謝81-83
• 在學期間的研究成果及發(fā)表的學術論文83

【參考文獻】

中國期刊全文數據庫 前8條

1 張祥德;張大為;唐青松;陸小軍;;仿生算法與主成分分析相融合的人臉識別方法[J];東北大學學報(自然科學版);2009年07期

2 張耀強;陳建軍;鄧四二;林立廣;;考慮表面波紋度的滾動軸承-轉子系統(tǒng)非線性動力特性[J];航空動力學報;2008年09期

3 耿俊豹;黃樹紅;陳非;劉偉;;基于信息熵貼近度的旋轉機械故障診斷[J];華中科技大學學報(自然科學版);2006年11期

4 戰(zhàn)明學;;高速滾子軸承中滾子運動規(guī)律的試驗研究[J];遼寧機械;1982年05期

5 邢修三;熵產生率公式及其應用[J];物理學報;2003年12期

6 李紹成;左洪福;;磨粒在線監(jiān)測靜電傳感器設計[J];壓電與聲光;2010年02期

7 許傳龍;湯光華;楊道業(yè);周賓;潘琦;邵理堂;王式民;;靜電傳感器靈敏場有限元仿真研究[J];儀器儀表學報;2007年07期

8 謝平;杜義浩;;基于信息熵的轉子動力特征分析與診斷方法研究[J];振動與沖擊;2009年02期

中國博士學位論文全文數據庫 前1條

1 劉秀海;高速滾動軸承動力學分析模型與保持架動態(tài)性能研究[D];大連理工大學;2011年

本文編號：1004429