论文部分内容阅读
滚动轴承作为旋转机械设备中一种承受载荷的关键零部件,常常运行在恶劣工作环境中,它的运行状态直接决定了整个系统的稳定性和可靠性。在实际工业中,变转速是轴承等零部件运行的常态,其承受更为复杂的应力,易发生故障,从而导致设备损坏,造成伤亡事故。因此,开展变转速轴承状态监测与故障诊断对保障机械设备安全运行尤为重要。在变转速运行工况下,轴承故障表征为非平稳信号,导致谱模糊现象,其故障特征在频谱中无法直接识别,从而使得传统的定转速故障诊断方法不再适用。本文以旋转机械设备中的滚动轴承为研究对象,以变转速工况下轴承故障诊断为目标,针对传统基于转速计的阶次分析方法会导致成本增加和应用受限、基于时频表示的无转速计阶次分析方法存在时频脊线模糊的问题,在变分模态分解方法(Variational Mode Decomposition,VMD)的基础上,深入开展了变分非线性模态分解(Variational Nonlinear Chirp Mode Decomposition,VNCMD)方法在变转速轴承故障诊断中的应用研究。论文具体工作如下:(1)首先阐述了轴承故障失效形式及其振动信号特征,在此基础上指出了变转速与定转速工况下轴承故障特征的区别。考虑到非线性模式分解方法在非平稳信号分析中的优越性,深入研究了非线性模式分解方法中的VMD和VNCMD方法,并结合信号调制模型,指出了 VMD和VNCMD方法的差异性。通过仿真信号分析,验证了 VMD和VNCMD方法在信号分解和瞬时频率估计中的有效性。进一步地,针对变转速轴承故障信号的宽带特征,表明了 VNCMD方法在初始参数设置中的局限性。(2)针对原始VNCMD方法的恒定初始瞬时频率无法有效追踪强转速波动的故障分量而导致算法不收敛的问题,提出了一种多目标脊线预估引导下的VNCMD方法。在多目标预估脊线方面,首先采用了多频带信号分离方法增强转频和故障特征频率信息;然后通过基于信号时频表示的局部脊线检测算法,分别预估出转频和故障特征频率脊线;最后将预估的多目标脊线作为算法的时变初始瞬时频率,促进算法收敛,实现了瞬时频率的优化。为了避免阶次分析中的重采样误差,提出了特征阶次比(Characteristic Frequency Ratio,CFR)准则,可以准确判断轴承故障类型。通过轴承仿真和实验信号分析,验证了所提方法可以提高转频与故障特征频率的估计精度,并成功地诊断出变转速下轴承故障类型。(3)在实际工业情况下,背景噪声往往较大,原始振动信号的时频表示聚集性较差,因此难以同时准确预估出转频与故障特征频率信息,从而影响了多目标脊线预估引导下的VNCMD方法的准确性。针对此问题,通过对VNCMD方法的优化趋势进行分析,提出了主导同步脊线优化趋势引导下的非线性模式分解(Optimization Tendency Guiding Mode Decomposition,OTGMD)方法。在主导同步脊线提取方面,由于强背景噪声的干扰,传统的快速谱峭度方法极易失效,因此采用了基于低通滤波和迭代包络分析的特征分离方法增强转频和故障特征频率成分,并通过局部脊线检测算法在转频成分中预估出主导分量脊线。在VNCMD方法的初始瞬时频率设置方面,将主导分量的预估脊线优化后作为基准频率,结合优化趋势引导算法自动设置其余分量初始参数,并对增强后的故障分量进行同步提取,自适应地分解出目标分量并优化其瞬时频率。为了避免噪声和谐波分量的影响,提出了特征阶次比值库(Characteristic Frequency Ratios Library,CFRL)停止准则,可以准确控制算法迭代过程并判断轴承故障类型。通过轴承仿真和实验故障信号分析,验证了所提方法可以显著提高原始VNCMD方法的准确性,取得了良好的变转速轴承故障诊断效果。综上,本文从变转速轴承故障诊断需求以及VNCMD理论缺陷入手,分别从多目标脊线预估选取和主导同步分量优化趋势引导的角度提出了两种新的VNCMD分解策略,结合所提的特征预处理技术与CFRL停止准则,实现了瞬时频率的准确估计,对变转速轴承故障诊断具有重要的理论和实践意义。