本文關(guān)鍵詞：基于HHT和模糊神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷研究，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承是大型旋轉(zhuǎn)機械設(shè)備的關(guān)鍵部件之一，由于它經(jīng)常運行，所以很容易磨損。當(dāng)它磨損后發(fā)生故障時，又會伴有很強的噪聲產(chǎn)生。為了保證機械設(shè)備的安全可靠運行，需要對滾動軸承進行故障診斷。滾動軸承在工作時，會產(chǎn)生周期性的振動，根據(jù)振動的幅值和頻率，來診斷軸承發(fā)生了哪種故障。本文以瑞典SKF公司生產(chǎn)的6205-2RS JEM深溝球軸承為研究對象，對滾動軸承進行故障診斷，識別以下三種故障：內(nèi)圈故障、外圈故障以及滾動體故障。 由于滾動軸承在工作的情況下會帶有噪聲，一旦故障發(fā)生，，伴隨的噪聲會越來越大。為了準(zhǔn)確地識別出滾動軸承的不同故障類型，需要對滾動軸承的故障信號進行降噪預(yù)處理，采用一種新型的處理非線性、非平穩(wěn)信號的方法-經(jīng)驗?zāi)B(tài)分解法，結(jié)合小波包對軸承故障信號進行降噪處理。得到降噪之后的信號，對已處理的信號進行小波包三層分解，得到能量特征向量，然后將能量特征向量導(dǎo)入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)中進行故障診斷。仿真結(jié)果表明：利用經(jīng)驗?zāi)B(tài)分解結(jié)合小波包的降噪方法能有效地提高信號的信噪比，在降噪的基礎(chǔ)上，采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)進行故障診斷，診斷結(jié)果正確率高，可以很好的識別出三種不同的故障類型。 由于經(jīng)驗?zāi)B(tài)分解存在模態(tài)混疊的問題，會使復(fù)雜信號的分解結(jié)果所表示的物理意義不清楚。為了克服這個缺點并且選取有用的本征模態(tài)函數(shù)分量，將集合經(jīng)驗?zāi)B(tài)分解和分布擬合檢驗兩種算法相結(jié)合，來提取滾動軸承中的故障信息。由于滾動軸承故障信號具有隨機性，采用集合經(jīng)驗?zāi)B(tài)分解可以很好的減輕模態(tài)混疊的問題。為了獲取有用的本征模態(tài)函數(shù)分量同時去除無用的分量，在利用集合經(jīng)驗?zāi)B(tài)分解后，采用分布擬合檢驗對這些分量進行篩選。利用正態(tài)概率圖和Jarque-Bera測試法兩種檢測方法來提高檢驗的正確率，然后利用包絡(luò)譜對滾動軸承的故障特征頻率進行識別，從而診斷滾動軸承故障類型。仿真結(jié)果表明：采用集合經(jīng)驗?zāi)B(tài)分解和分布擬合檢驗法可以有效的篩選出滾動軸承故障信號的有用信息，利用包絡(luò)譜可以很好的識別出不同類型的軸承故障，提出的方法適用于滾動軸承的故障診斷。
【關(guān)鍵詞】：滾動軸承 故障診斷 經(jīng)驗?zāi)B(tài)分解 集合經(jīng)驗?zāi)B(tài)分解 分布擬合檢驗
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TH133.33;TH165.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-14
• 1.1 選題背景及研究意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-13
• 1.3 主要研究工作內(nèi)容13-14
• 2 滾動軸承故障特征14-18
• 2.1 滾動軸承振動的基本參數(shù)14-15
• 2.1.1 滾動軸承的結(jié)構(gòu)14-15
• 2.1.2 滾動軸承的特征頻率15
• 2.2 滾動軸承故障的主要形式15-17
• 2.3 滾動軸承的振動信號特點17
• 2.4 小結(jié)17-18
• 3 EMD 結(jié)合模糊神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的分析18-35
• 3.1 小波包降噪原理18-19
• 3.2 EMD 算法原理19-20
• 3.3 基于 EMD-小波包的降噪方法20-21
• 3.4 ANFIS 故障診斷算法原理21-23
• 3.5 基于 EMD-小波包和 ANFIS 的滾動軸承故障診斷23-34
• 3.5.1 EMD-小波包降噪預(yù)處理23-27
• 3.5.2 小波包分解與故障數(shù)據(jù)篩選27-30
• 3.5.3 ANFIS 在滾動軸承故障診斷中的仿真分析30-34
• 3.6 小結(jié)34-35
• 4 EEMD 結(jié)合分布擬合檢驗在滾動軸承故障診斷中的分析35-51
• 4.1 EEMD 算法35
• 4.2 EEMD 抗模態(tài)混疊分析35-37
• 4.3 模態(tài)混疊仿真實驗37-39
• 4.4 EEMD-分布擬合檢驗39-44
• 4.4.1 正態(tài)概率圖原理39-40
• 4.4.2 EEMD 結(jié)合分布擬合檢驗算法40-42
• 4.4.3 EEMD-分布擬合檢驗仿真實驗42-44
• 4.5 基于 EEMD-分布擬合檢驗的滾動軸承故障診斷44-49
• 4.5.1 滾動軸承內(nèi)圈故障診斷44-47
• 4.5.2 滾動軸承外圈故障診斷47-49
• 4.6 小結(jié)49-51
• 結(jié)論51-52
• 致謝52-53
• 參考文獻53-56
• 攻讀學(xué)位期間的研究成果56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 段群杰;張銘鈞;;基于減法聚類和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)方法的運動規(guī)劃器設(shè)計[J];兵工學(xué)報;2007年12期

2 杜修力;何立志;侯偉;;基于經(jīng)驗?zāi)B(tài)分解(EMD)的小波閾值除噪方法[J];北京工業(yè)大學(xué)學(xué)報;2007年03期

3 彭斌,劉振全;諧小波模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于旋轉(zhuǎn)機械的故障診斷[J];動力工程;2005年05期

4 張小娟;;自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J];電子設(shè)計工程;2012年05期

5 王志偉;胡瑜;李銀偉;;基于小波和自適應(yīng)模糊神經(jīng)的旋轉(zhuǎn)設(shè)備故障診斷[J];華東交通大學(xué)學(xué)報;2010年01期

6 隋文濤;張丹;張宇;;基于小波熵和ANFIS的軸承故障診斷方法[J];機床與液壓;2010年11期

7 蔣靜芝;孟相如;李歡;莊緒春;;減法聚類-ANFIS在網(wǎng)絡(luò)故障診斷的應(yīng)用研究[J];計算機工程與應(yīng)用;2011年08期

8 李振興;徐洪洲;;基于經(jīng)驗?zāi)B(tài)分解的小波閾值降噪方法研究[J];計算機仿真;2009年09期

9 何曉霞,沈玉娣,張西寧;連續(xù)小波變換在滾動軸承故障診斷中的應(yīng)用[J];機械科學(xué)與技術(shù);2001年04期

10 張鑫;吳亞鋒;朱帥琦;;基于EEMD-HHT邊際譜的軸承故障診斷[J];科學(xué)技術(shù)與工程;2011年31期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 蘇文勝;滾動軸承振動信號處理及特征提取方法研究[D];大連理工大學(xué);2010年

  本文關(guān)鍵詞：基于HHT和模糊神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷研究，由筆耕文化傳播整理發(fā)布。

本文編號：399490