【摘要】：近年來，滾動軸承狀態(tài)監(jiān)測與故障診斷方面的研究工作受到越來越多的重視，相關的理論研究也得到迅速的發(fā)展。通常，軸承狀態(tài)監(jiān)測與故障診斷理想的手段都是基于振動信號處理這種方式開展的。本文詳細的介紹了信號的降噪、信號的局部均值分解方法以及神經(jīng)網(wǎng)絡在故障診斷中的應用，并提出了一種基于局部均值分解和概率神經(jīng)網(wǎng)絡的軸承故障診斷的方法。 同時，結合軸承試驗臺上模擬的四種模式下的數(shù)據(jù)，采用最大相關峭度反卷積法對原始信號進行降噪處理，然后對降噪后的信號進行局部均值分解以便更好地提取信號的故障特征，并以各個特征構成的特征向量作為概率神經(jīng)網(wǎng)絡的樣本完成故障辨識。本文的主要工作及研究結論如下： (1)闡述了傳統(tǒng)時頻分析方法在非平穩(wěn)信號中的應用，指出其存在的缺陷。分析滾動軸承故障的機理并對三種故障模式和一種正常模式的信號通過一種全新的降噪方法進行降噪。針對滾動軸承振動信號的特點，采用一種新的自適應信號處理方法—局部均值分解方法對軸承振動信號進行分解，分離出反映軸承振動情況的各個分量。 (2)局部均值分解算法包含三個重要的循環(huán)過程，三個循環(huán)使得信號分解速度較慢。針對局部均值分解較慢的問題結合實際工程應用進行了相應的改進，提高了信號分解速度，減少了工程分析量。 (3)將局部均值分解方法與概率神經(jīng)網(wǎng)絡相結合完成了滾動軸承的故障辨識。對局部均值分解得到的PF分量進行特征提取組成特征向量作為概率神經(jīng)網(wǎng)絡的輸入樣本進行故障診斷，通過實驗驗證表明本方法可以有效地識別軸承的故障類型。 (4)開發(fā)了一套可以在離線狀態(tài)下對滾動軸承振動信號進行時域分析、頻域分析、時頻分析及對軸承四種模式下的樣本進行識別的系統(tǒng)，并基于MATLAB GUI完成了系統(tǒng)的開發(fā)。這套系統(tǒng)包括兩個子系統(tǒng)，子系統(tǒng)一可以使信號處理與分析更加直觀化和簡單化，子系統(tǒng)二可對四種模式下的樣本進行識別完成軸承的故障診斷。 局部均值分解理論在軸承故障診斷領域帶來了研究熱潮，在軸承振動信號的處理方面值得進一步深入地研究。
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TH165.3;TH133.33
【圖文】：

滾動軸承振動信號處理與故障辨識方法研究處理。將采集到的信號進行適當?shù)淖儞Q與處理，把能夠出來。識別。根據(jù)掌握的故障征兆信息和狀態(tài)參數(shù)，判斷設備找出故障發(fā)生原因。技術。對已經(jīng)辨識出來的故障進行預測，預測故障的發(fā)最理想的故障診斷技術大都基于設備的振動信號，診斷完成[2]。

滾動軸承結構示意圖

【參考文獻】

相關期刊論文 前10條

1 王建華;袁力;;無失效數(shù)據(jù)下失效概率的多層Bayes和E Bayes估計的性質(zhì)[J];工程數(shù)學學報;2010年01期

2 曾慶虎;邱靜;劉冠軍;譚曉棟;;小波相關特征尺度熵在滾動軸承故障診斷中的應用[J];國防科技大學學報;2007年06期

3 楊宇;楊麗湘;程軍圣;;基于LMD和AR模型的轉子系統(tǒng)故障診斷方法[J];湖南大學學報(自然科學版);2010年09期

4 姚竹亭;潘宏俠;陳岳良;;分形理論在裝甲車輛滾動軸承故障診斷中的應用[J];火炮發(fā)射與控制學報;2009年04期

5 陳祥龍;胡春艷;梅檢民;肖云魁;賈繼光;;基于非線性小波變換和經(jīng)驗模式分解的軸承故障特征提取[J];軍事交通學院學報;2011年11期

6 陳新,黃洪鐘,黃文培,姚新勝;分形理論及其在機械工程中的應用[J];機械科學與技術;2000年05期

7 錢鵬江;王士同;鄧趙紅;;基于稀疏Parzen窗密度估計的快速自適應相似度聚類方法[J];自動化學報;2011年02期

8 胡勁松;楊世錫;任達千;;基于樣條的振動信號局域均值分解方法[J];數(shù)據(jù)采集與處理;2009年01期

9 李常有;徐敏強;郭聳;;聲信號的主分量分析應用于滾動軸承故障診斷[J];聲學技術;2008年02期

10 陳保家;何正嘉;陳雪峰;訾艷陽;;機車故障診斷的局域均值分解解調(diào)方法[J];西安交通大學學報;2010年05期

相關博士學位論文 前1條

1 蔡權偉;多分量信號的信號分量分離技術研究[D];電子科技大學;2006年

相關碩士學位論文 前1條

1 謝亮;基于獨立分量分析特征提取方法的研究及其應用[D];浙江師范大學;2009年

本文編號：2741324