论文部分内容阅读
电机作为用电器和各种机械的动力源,广泛应用于各个领域。轴承是电机的核心部件,其运行状态直接决定着电机能否安全、高效地运行。由此可见对轴承进行故障诊断是非常必要的。故障诊断方法研究的关键是采用合适的信号分析方法去提取所采集的信号的典型特征,提取到的故障特征的好坏直接影响故障诊断的准确性和可靠性,因此,在故障诊断之前,应对特征提取方法进行深入研究。本文针对交流电机的滚动轴承故障,展开对故障特征提取方法的研究。首先,将经验模态分解(Empirical Mode Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与希尔伯特变换相结合(第一类方法),对振动信号进行模态分解及包络谱分析,从而提取出故障信号的典型特征频率;然后,将EMD和EEMD分别与模糊熵相结合,提出了基于EMD和模糊熵的电机轴承故障特征提取方法以及基于EEMD和模糊熵的电机轴承故障特征提取方法,将两种提取方法得到的熵值作为特征向量输入支持向量机(Support Vector Machine,SVM)进行故障分类(第二类方法),以验证方法的有效性。最后,将EMD和EEMD与多尺度模糊熵相结合提出了基于EMD和多尺度模糊熵的电机轴承故障特征提取方法以及基于EEMD和多尺度模糊熵的电机轴承故障特征提取方法,将两种提取方法得到的熵值作为特征向量输入SVM进行故障分类(第三类方法),以验证方法的有效性。通过对实验结果的分析可知,第一类方法具有运算速度快,效果直观的特点,但不能有效判别轴承滚动体故障;第二类和第三类方法一定程度上解决了不能有效判别滚动体故障的问题,其中,基于EEMD和多尺度模糊熵的电机轴承故障特征提取方法的效果最好,对滚动轴承的内圈、外圈及滚动体故障的诊断准确率最高,表明了EEMD和多尺度模糊熵在处理非线性、非平稳信号方面的有效性和优越性。