滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通用部件,其運(yùn)行狀態(tài)往往直接影響整臺(tái)機(jī)器的性能,對(duì)滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)和故障診斷具有重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。本文以滾動(dòng)軸承為研究對(duì)象,從故障軸承振動(dòng)信號(hào)的特征入手,針對(duì)滾動(dòng)軸承診斷中的關(guān)鍵技術(shù)：解調(diào)、降噪和特征參數(shù)提取問(wèn)題,應(yīng)用現(xiàn)代信號(hào)處理技術(shù),對(duì)滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)開(kāi)展了一系列的研究工作。論文的主要工作內(nèi)容如下： 1.在分析滾動(dòng)軸承振動(dòng)機(jī)理的基礎(chǔ)上,總結(jié)了滾動(dòng)軸承局部損傷類(lèi)故障振動(dòng)信號(hào)具有周期性沖擊和幅值調(diào)制的特征,指出滾動(dòng)軸承故障診斷的關(guān)鍵問(wèn)題是解調(diào)、降噪和特征參數(shù)提取。只要解決好這三個(gè)問(wèn)題,就能實(shí)現(xiàn)滾動(dòng)軸承故障的準(zhǔn)確診斷。 2.提出了基于EMD降噪和譜峭度法的滾動(dòng)軸承故障診斷方法�？偨Y(jié)了基于經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)的降噪方法有兩種：基于閾值處理和基于濾波處理的EMD降噪方法�；陂撝堤幚矸椒ㄖ�,借鑒了小波閾值降噪的思想；基于濾波處理方法中,針對(duì)故障軸承振動(dòng)信號(hào)特點(diǎn),提出了兩個(gè)降噪準(zhǔn)則。以仿真軸承故障信號(hào)為例,比較了兩種方法的降噪性能,指出基于濾波處理的EMD降噪方法更適合作為滾動(dòng)軸承信號(hào)預(yù)處理手段。針對(duì)共振解調(diào)中帶通濾波器參數(shù)難以確定的問(wèn)題,引入了譜峭度理論,根據(jù)譜峭度值最大處的頻帶確定共振頻帶。將EMD降噪和譜峭度理論相結(jié)合,提出了一種基于EMD降噪和譜峭度法的滾動(dòng)軸承故障診斷方法,并以工程實(shí)際信號(hào)進(jìn)行分析驗(yàn)證。 3.提出了一種基于最優(yōu)Morlet小波濾波器和自相關(guān)增強(qiáng)算法的滾動(dòng)軸承故障自動(dòng)診斷方法。為了消除干擾振動(dòng)的頻率成分,首先將實(shí)測(cè)軸承信號(hào)通過(guò)一個(gè)由Morlet小波確定的帶通濾波器,該濾波器參數(shù)由遺傳算法優(yōu)化得到,討論了遺傳算法優(yōu)化問(wèn)題中的目標(biāo)函數(shù)和約束條件。經(jīng)過(guò)最優(yōu)Morlet小波濾波后,信噪比得到顯著提高。為了進(jìn)一步減少殘余的帶內(nèi)噪聲,突出周期性沖擊特征,提出了一種自相關(guān)增強(qiáng)算法,并將其用于Morlet小波濾波后的信號(hào)。在得到的自相關(guān)增強(qiáng)包絡(luò)功率譜中,只有簡(jiǎn)單的幾根譜線(xiàn)存在,有故障時(shí)對(duì)應(yīng)故障特征頻率,無(wú)故障時(shí)對(duì)應(yīng)軸的轉(zhuǎn)頻,這對(duì)于操作者識(shí)別軸承故障類(lèi)型非常容易,本方法可以幾乎以自動(dòng)的方式執(zhí)行,仿真和試驗(yàn)結(jié)果驗(yàn)證了該方法非常適合滾動(dòng)軸承的診斷。 4.提出了一種基于雙樹(shù)復(fù)小波域隱Markov樹(shù)模型的滾動(dòng)軸承故障信號(hào)的降噪方法。針對(duì)傳統(tǒng)離散小波變換具有平移敏感性和復(fù)小波變換不能完美重構(gòu)的缺陷,提出采用雙樹(shù)復(fù)小波變換處理滾動(dòng)軸承信號(hào)的方法。針對(duì)傳統(tǒng)小波降噪方法沒(méi)有考慮小波系數(shù)間相關(guān)性和非高斯性而造成降噪效果不夠理想的問(wèn)題,引入小波域隱Markov樹(shù)模型的降噪思想。將雙樹(shù)復(fù)小波變換和小波域隱Markov樹(shù)模型相結(jié)合,提出一種更有優(yōu)勢(shì)的降噪方法。根據(jù)雙樹(shù)復(fù)小波變換系數(shù)的實(shí)部和虛部是同時(shí)考慮還是分開(kāi)考慮的原則,提出兩種基于雙樹(shù)復(fù)小波域隱Markov樹(shù)模型降噪方法,并比較它們與傳統(tǒng)方法的性能,指出同時(shí)考慮實(shí)部和虛部的方法效果更好,并將該方法用于實(shí)際滾動(dòng)軸承故障診斷進(jìn)行驗(yàn)證。 5.提出了一種基于小波包樣本熵的滾動(dòng)軸承故障診斷和預(yù)測(cè)方法。將信息論中的樣本熵引入到機(jī)械故障診斷領(lǐng)域,討論了樣本熵的性能和計(jì)算參數(shù)的選擇,指出無(wú)論在抗噪性、對(duì)樣本長(zhǎng)度的要求、還是反映系統(tǒng)的本質(zhì)上,樣本熵都比近似熵具有更好的性能。根據(jù)小波包分解子帶能量越大故障信息越明顯的特點(diǎn),提出小波包樣本熵的概念,較好地區(qū)分了軸承故障類(lèi)型。接著將小波包樣本熵用于滾動(dòng)軸承故障趨勢(shì)預(yù)測(cè)中,計(jì)算全壽命周期軸承試驗(yàn)臺(tái)數(shù)據(jù)的小波包樣本熵,利用EMD提取其中趨勢(shì),可以較好地預(yù)測(cè)滾動(dòng)軸承的運(yùn)行狀態(tài),比RMS值和峭度值更早地預(yù)報(bào)了故障的發(fā)展,說(shuō)明小波包樣本熵可以作為一種較好的軸承監(jiān)測(cè)預(yù)報(bào)工具。 6.開(kāi)發(fā)了基于LabView和Matlab混合編程的滾動(dòng)軸承振動(dòng)信號(hào)分析系統(tǒng)。介紹了系統(tǒng)開(kāi)發(fā)環(huán)境和總體結(jié)構(gòu)設(shè)計(jì),討論了各個(gè)模塊的實(shí)現(xiàn)方法,并通過(guò)實(shí)際信號(hào)進(jìn)行功能演示,驗(yàn)證了本系統(tǒng)的方便快捷和有效性。
【學(xué)位單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2010
【中圖分類(lèi)】：TH133.33;TB535
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文選題背景與意義
    1.2 滾動(dòng)軸承故障診斷概述
        1.2.1 滾動(dòng)軸承故障診斷的發(fā)展與現(xiàn)狀
        1.2.2 常用的滾動(dòng)軸承診斷方法
        1.2.3 滾動(dòng)軸承的故障成因及振動(dòng)分析
    1.3 滾動(dòng)軸承故障診斷中幾個(gè)關(guān)鍵問(wèn)題研究現(xiàn)狀
        1.3.1 解調(diào)方法的研究現(xiàn)狀
        1.3.2 信號(hào)降噪方法的研究現(xiàn)狀
        1.3.3 特征參數(shù)提取方法的研究現(xiàn)狀
    1.4 論文的主要內(nèi)容與結(jié)構(gòu)安排
        1.4.1 論文研究的主要問(wèn)題及思路
        1.4.2 論文的研究?jī)?nèi)容
2 基于EMD降噪和譜峭度法的滾動(dòng)軸承故障診斷
    2.1 引言
    2.2 EMD的基本原理和性質(zhì)
        2.2.1 EMD的基本原理
        2.2.2 EMD的完備性和正交性
    2.3 EMD降噪的處理方法
        2.3.1 基于閾值處理的EMD降噪方法
        2.3.2 基于濾波處理的EMD降噪方法
        2.3.3 兩種EMD降噪方法的性能比較
    2.4 譜峭度理論
        2.4.1 譜峭度的定義
        2.4.2 譜峭度檢測(cè)軸承故障的物理解釋
        2.4.3 峭度圖
    2.5 EMD降噪和譜峭度法的滾動(dòng)軸承故障診斷步驟
    2.6 工程實(shí)例
    2.7 本章小結(jié)
3 基于 Morlet小波濾波和自相關(guān)增強(qiáng)算法的滾動(dòng)軸承故障診斷
    3.1 引言
    3.2 Morlet小波濾波器的優(yōu)化問(wèn)題
        3.2.1 連續(xù)小波變換
        3.2.2 Morlet小波濾波器
        3.2.3 最優(yōu)參數(shù)選擇策略
    3.3 遺傳算法
        3.3.1 染色體表示
        3.3.2 初始化種群
        3.3.3 適應(yīng)度函數(shù)
        3.3.4 遺傳操作
    3.4 自相關(guān)增強(qiáng)算法
        3.4.1 自相關(guān)運(yùn)算
        3.4.2 自相關(guān)包絡(luò)功率譜
        3.4.3 擴(kuò)展Shannon熵函數(shù)
    3.5 性能評(píng)價(jià)
        3.5.1 仿真結(jié)果
        3.5.2 試驗(yàn)臺(tái)數(shù)據(jù)結(jié)果
        3.5.3 實(shí)際故障軸承結(jié)果
    3.6 本章小結(jié)
4 雙樹(shù)復(fù)小波域隱Markov樹(shù)模型降噪及其在滾動(dòng)軸承故障診斷中的應(yīng)用
    4.1 引言
    4.2 雙樹(shù)復(fù)小波變換
        4.2.1 離散小波變換(DWT)
        4.2.2 復(fù)小波變換(CWT)
        4.2.3 樹(shù)復(fù)小波變換(DT-CWT)
        4.2.4 DT-CWT的濾波器設(shè)計(jì)
        4.2.5 DT-CWT的平移不變性分析實(shí)例
    4.3 小波系數(shù)的特性及統(tǒng)計(jì)模型
        4.3.1 小波系數(shù)的特性
        4.3.2 小波系數(shù)的邊緣分布模型
    4.4 小波域隱Markov樹(shù)(HMT)模型
        4.4.1 隱Markov模型
        4.4.2 HMT模型的原理
        4.4.3 HMT模型的訓(xùn)練算法
        4.4.4 DWT-HMT模型降噪
    4.5 樹(shù)復(fù)小波域隱Markov樹(shù)降噪模型
        4.5.1 DTCWT HMT1法
        4.5.2 DTCWT HMT2法
    4.6 仿真和實(shí)際信號(hào)驗(yàn)證
        4.6.1 仿真信號(hào)
        4.6.2 實(shí)際信號(hào)
    4.7 本章小結(jié)
5 小波包樣本熵及其在滾動(dòng)軸承故障診斷和預(yù)測(cè)中的應(yīng)用研究
    5.1 引言
    5.2 熵概念的發(fā)展及泛化
        5.2.1 熱力學(xué)的熵
        5.2.2 統(tǒng)計(jì)物理學(xué)的熵
        5.2.3 信息熵
        5.2.4 K-S熵
        5.2.5 近似熵
    5.3 樣本熵
        5.3.1 算法描述
        5.3.2 性能討論
        5.3.3 參數(shù)選擇
    5.4 小波包分解
    5.5 小波包樣本熵的特征提取方法研究
        5.5.1 小波包樣本熵的特征提取方法
        5.5.2 實(shí)際信號(hào)分析
    5.6 小波包樣本熵在故障趨勢(shì)預(yù)測(cè)中的應(yīng)用
        5.6.1 基于EMD的趨勢(shì)提取方法
        5.6.2 試驗(yàn)臺(tái)介紹
        5.6.3 實(shí)驗(yàn)結(jié)果
    5.7 本章小結(jié)
6 滾動(dòng)軸承振動(dòng)信號(hào)分析系統(tǒng)設(shè)計(jì)和開(kāi)發(fā)
    6.1 引言
    6.2 開(kāi)發(fā)環(huán)境介紹
    6.3 系統(tǒng)方案設(shè)計(jì)
    6.4 系統(tǒng)的實(shí)現(xiàn)
        6.4.1 數(shù)據(jù)采集模塊
        6.4.2 數(shù)據(jù)管理模塊
        6.4.3 信號(hào)分析模塊
    6.5 系統(tǒng)應(yīng)用實(shí)例
    6.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
作者簡(jiǎn)介

【引證文獻(xiàn)】

相關(guān)期刊論文 前7條

1 郭俊鋒;鄭曉慧;魏興春;;滾動(dòng)軸承振動(dòng)信號(hào)的稀疏表示研究[J];甘肅科學(xué)學(xué)報(bào);2014年03期

2 李宏坤;練曉婷;周帥;;小波尺度譜同步平均在弱信息識(shí)別中的應(yīng)用[J];機(jī)械工程學(xué)報(bào);2013年05期

3 張應(yīng)紅;李聰;景暉;閆建軍;;基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的礦用帶式輸送機(jī)滾動(dòng)軸承故障診斷[J];煤礦機(jī)械;2013年04期

4 薛光輝;趙新贏;吉曉冬;;基于沖擊脈沖法滾動(dòng)軸承狀態(tài)監(jiān)測(cè)研究[J];煤炭工程;2013年04期

5 周曉君;劉勝蘭;;基于集合譜峭度法的軸承故障診斷[J];艦船科學(xué)技術(shù);2013年09期

6 周曉君;劉勝蘭;冀洵;;基于樣本熵理論的進(jìn)化論自適應(yīng)消噪算法[J];艦船科學(xué)技術(shù);2014年05期

7 陳特放;于天劍;陳雅婷;成庶;;基于盲反卷積去噪的機(jī)車(chē)走行部齒輪箱故障診斷[J];計(jì)算機(jī)測(cè)量與控制;2014年06期

相關(guān)博士學(xué)位論文 前8條

1 蓋強(qiáng);局域波時(shí)頻分析方法的理論研究與應(yīng)用[D];大連理工大學(xué);2001年

2 王珍;基于局域波分析的柴油機(jī)故障診斷方法的研究及應(yīng)用[D];大連理工大學(xué);2002年

3 李萌;旋轉(zhuǎn)機(jī)械軸承故障的特征提取與模式識(shí)別方法研究[D];吉林大學(xué);2008年

4 張家凡;振動(dòng)信號(hào)的包絡(luò)解調(diào)分析方法研究及應(yīng)用[D];武漢理工大學(xué);2008年

5 周曉君;強(qiáng)噪聲環(huán)境機(jī)械早期故障微弱信號(hào)特征分離算法研究[D];重慶大學(xué);2012年

6 朱可恒;滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D];大連理工大學(xué);2013年

7 彭暢;旋轉(zhuǎn)機(jī)械軸承振動(dòng)信號(hào)分析方法研究[D];重慶大學(xué);2014年

8 姜銳紅;基于譜峭度及原子分解的滾動(dòng)軸承故障診斷方法研究[D];上海大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 楊鑫;列車(chē)轉(zhuǎn)向架軸承服役過(guò)程監(jiān)測(cè)與故障診斷系統(tǒng)研究[D];北京交通大學(xué);2012年

2 王善鵬;基于流形學(xué)習(xí)的滾動(dòng)軸承故障特征提取方法研究[D];大連理工大學(xué);2013年

3 王建利;滾動(dòng)軸承性能退化評(píng)價(jià)與趨勢(shì)預(yù)測(cè)研究[D];大連理工大學(xué);2013年

4 朱美臣;電機(jī)軸承故障診斷[D];沈陽(yáng)理工大學(xué);2013年

5 張曉曉;基于信號(hào)處理的電氣化鐵路弓網(wǎng)接觸壓力分析[D];西南交通大學(xué);2013年

6 鄭晴晴;基于隱Markov模型的滾動(dòng)軸承故障診斷方法研究[D];西南交通大學(xué);2013年

7 黃志東;基于譜峭度的滾動(dòng)軸承故障診斷方法研究[D];華南理工大學(xué);2013年

8 楊磊;基于LabVIEW的動(dòng)車(chē)組轉(zhuǎn)向架狀態(tài)監(jiān)測(cè)及故障診斷[D];石家莊鐵道大學(xué);2013年

9 林錦州;滾動(dòng)軸承早期故障信號(hào)特征提取方法及應(yīng)用研究[D];天津大學(xué);2012年

10 溫國(guó)強(qiáng);基于多信息源的滾動(dòng)軸承故障診斷方法與實(shí)驗(yàn)研究[D];青島理工大學(xué);2013年

本文編號(hào)：2846445