本文關鍵詞：基于多信息源的滾動軸承故障診斷方法與實驗研究，由筆耕文化傳播整理發(fā)布。

【摘要】：滾動軸承是旋轉機械設備中的重要基礎部件，，也是導致機械設備運行故障的主要來源之一。因此，研究滾動軸承的故障診斷技術對于盡早識別出軸承的初期故障，并且作出及時的維護處理，進而提高相關機械設備運行性能與使用壽命，具有極為重要的意義。 本文以數(shù)控機床滾動軸承作為研究對象，綜合分析了軸承的故障機理，并總結討論了傳統(tǒng)的軸承故障診斷方法與智能診斷理論的優(yōu)缺點�？紤]到單一故障信息無法全面地反映出軸承的故障特征，這里引入了多源信息融合技術。通過在線獲取滾動軸承振動信號、噪聲信號、溫度信號及機床內(nèi)部信息，并借助相應的信號處理技術依次實現(xiàn)多源信息的數(shù)據(jù)級與特征級融合，最終設計開發(fā)出一套基于多信息源的滾動軸承故障診斷系統(tǒng)。主要研究內(nèi)容包括： 從滾動軸承的基本結構出發(fā)，研究了滾動軸承的主要失效形式與原因，建立了軸承故障征兆與故障原因之間的對應關系。依據(jù)機床軸承故障信號特征、軸承尺寸及安裝位置，確定了外置傳感器的選型與安裝方式；同時依據(jù)數(shù)控機床內(nèi)部信息與軸承故障間的關聯(lián)性，研究并提取出與軸承故障相關的內(nèi)部信息。由于數(shù)據(jù)采集需滿足多通道同步采集原則，所以在選用多通道同步采集板卡——NIPCI-6143的基礎上，根據(jù)所需采集信號的特征編制了信號采集程序，并進行調試與參數(shù)設定，建立基于NI和LabVIEW測試平臺的NI多通道數(shù)據(jù)采集系統(tǒng)。 針對滾動軸承故障信號的非線性非平穩(wěn)性特征，引入了統(tǒng)計理論與經(jīng)驗模態(tài)分解（EMD）方法并進行了原理分析。分別利用統(tǒng)計理論與EMD法實現(xiàn)故障信號時域、頻域及時頻域特征的提取與分析，并借助MicrosoftAccess數(shù)據(jù)庫的數(shù)據(jù)管理技術將所有數(shù)據(jù)的時頻域特征提取出來并整合成特征集。 鑒于多類大量的特征值會使診斷過程復雜化，依據(jù)粗糙集在去除冗余信息，提取關鍵性特征方面的優(yōu)勢，應用該理論對故障特征進行屬性約簡，實現(xiàn)變量篩選。對比于傳統(tǒng)BP神經(jīng)網(wǎng)絡的訓練速度慢及收斂難度大的不足，這里引入RBF神經(jīng)網(wǎng)絡對故障模式進行識別，通過實驗驗證，RBF網(wǎng)絡在收斂速度、診斷精度方面有明顯的優(yōu)勢。 整合數(shù)據(jù)采集、特征提取、特征篩選、模式識別四部分，建立了一套以多源信息融合理論為核心，以EMD、粗糙集及RBF神經(jīng)網(wǎng)絡為理論依據(jù)的滾動軸承故障診斷系統(tǒng)。經(jīng)實驗驗證：該診斷系統(tǒng)無論是在診斷速度、正判率以及穩(wěn)定性等方面都優(yōu)于傳統(tǒng)的軸承故障診斷方法，且具有診斷實時性與通用性。
【關鍵詞】：滾動軸承 故障診斷 多源信息融合 粗糙集 經(jīng)驗模態(tài)分解 RBF神經(jīng)網(wǎng)絡 模式識別
【學位授予單位】：青島理工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：TH133.33;TH165.3
【目錄】：

• 目錄6-9
• 摘要9-11
• Abstract11-13
• 第1章 緒論13-20
• 1.1 課題概述13-14
• 1.1.1 課題來源13
• 1.1.2 立題背景及意義13-14
• 1.2 滾動軸承故障診斷的發(fā)展與研究現(xiàn)狀14-18
• 1.2.1 滾動軸承故障的傳統(tǒng)診斷方法14-15
• 1.2.2 滾動軸承故障的智能診斷技術15-17
• 1.2.3 基于多源信息融合的故障診斷技術17-18
• 1.3 論文的具體研究內(nèi)容18-20
• 第2章 滾動軸承及其故障機理分析20-26
• 2.1 滾動軸承簡介20-22
• 2.1.1 滾動軸承結構20-21
• 2.1.2 滾動軸承典型失效形式21-22
• 2.2 滾動軸承振動特征分析22-24
• 2.2.1 滾動軸承故障特征頻率22
• 2.2.2 頻譜分析22-24
• 2.3 滾動軸承故障檢測方法選擇24-25
• 2.4 本章小結25-26
• 第3章 滾動軸承故障信號采集系統(tǒng)26-35
• 3.1 信號采集系統(tǒng)概述26
• 3.2 實驗儀器設備26-33
• 3.2.1 軸承故障模擬26-27
• 3.2.2 傳感器選型27-32
• 3.2.3 數(shù)據(jù)采集卡選型32-33
• 3.3 傳感器布置方式33
• 3.4 基于 LabVIEW 的信號采集編程實現(xiàn)33-34
• 3.5 本章小結34-35
• 第4章 滾動軸承故障信號分析與處理35-53
• 4.1 信號分析與處理概述35
• 4.2 信號特征提取35-43
• 4.2.1 時域分析法35-36
• 4.2.2 頻域分析法36-41
• 4.2.3 時頻分析法41-43
• 4.3 特征篩選43-52
• 4.3.1 粗糙集理論44
• 4.3.2 粗糙集理論的相關定義44-49
• 4.3.3 基于粗糙集法的故障特征篩選49-52
• 4.4 本章小結52-53
• 第5章 基于人工神經(jīng)網(wǎng)絡的滾動軸承故障模式識別53-61
• 5.1 人工神經(jīng)網(wǎng)絡53-54
• 5.2 BP 神經(jīng)網(wǎng)絡54-57
• 5.2.1 BP 神經(jīng)網(wǎng)絡基本思想54-55
• 5.2.2 BP 神經(jīng)網(wǎng)絡學習過程55-56
• 5.2.3 BP 神經(jīng)網(wǎng)絡結構設計56-57
• 5.3 RBF 神經(jīng)網(wǎng)絡57-60
• 5.3.1 RBF 神經(jīng)網(wǎng)絡基本思想57-58
• 5.3.2 RBF 神經(jīng)網(wǎng)絡學習過程58-60
• 5.3.3 RBF 神經(jīng)網(wǎng)絡結構設計60
• 5.4 本章小結60-61
• 第6章 基于多信息源的滾動軸承故障診斷系統(tǒng)設計61-87
• 6.1 滾動軸承故障診斷流程61-62
• 6.2 信號采集62-65
• 6.2.1 故障件制備62-63
• 6.2.2 傳感器及數(shù)據(jù)采集卡選型63
• 6.2.3 傳感器布點63-64
• 6.2.4 機床啟動預熱階段64-65
• 6.3 特征提取65-68
• 6.3.1 時、頻域特征提取66-67
• 6.3.2 EMD 分解67-68
• 6.4 特征篩選68-76
• 6.4.1 Rosetta 軟件68-69
• 6.4.2 特征篩選過程69-76
• 6.5 模式識別76-86
• 6.5.1 BP 神經(jīng)網(wǎng)絡設計76-77
• 6.5.2 RBF 神經(jīng)網(wǎng)絡設計77
• 6.5.3 BP 網(wǎng)絡與 RBF 網(wǎng)絡對比分析77-86
• 6.6 本章小結86-87
• 第7章 結論與展望87-90
• 7.1 結論87
• 7.2 展望87-90
• 參考文獻90-94
• 攻讀碩士學位期間發(fā)表的學術論文94-95
• 致謝95

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 高立新;王大鵬;劉保華;丁慶新;丁芳;李民;;軸承故障診斷中共振解調技術的應用研究[J];北京工業(yè)大學學報;2007年01期

2 董辛e

本文編號：420894