论文部分内容阅读
当滚动轴承发生故障时,振动信号较为复杂,传统的功率谱分析方法和时频分析方法等特征提取方法往往无法有效地诊断故障类型。针对以上问题,本文基于集合经验模态分解(EEMD)、双谱分析和流形学习等技术,开展了特征提取和故障诊断方法研究,并将其应用于滚动轴承的故障诊断中。本文的主要研究内容如下:(1)针对旋转机械振动信号常常混有高斯噪声和非高斯噪声而传统方法无法处理的问题,提出一种基于云模型改进EEMD和双谱分析的滚动轴承特征提取方法。首先,对轴承信号进行EEMD分解,得到频率从高到低的一系列本征模态分量(IMF);其次利用提出的云模型参数法识别出虚假IMF分量,消除信号中的非高斯噪声;最后对筛选出的真实IMF分量进行双谱分析去除高斯噪声,从而提取出淹没于噪声中的故障特征信息。仿真分析和滚动轴承实际应用验证了该方法的有效性和优越性。(2)针对单一尺度的熵值难以完全表征滚动轴承故障特征的问题,结合集合经验模态分解(EEMD)、散布熵(DE)和局部保留投影算法(LPP),提出了一种基于EEMD散布熵-LPP的滚动轴承故障诊断方法。首先,对轴承信号进行EEMD分解,提取其前9个IMF分量作为特征信号;其次,分别计算其散布熵值,以此为特征参数构建高维特征空间;再次,利用LPP进行降维获得低维特征集,实现特征二次提取;最后,输入K近邻分类器(KNN)进行分类识别,实现故障诊断。滚动轴承故障诊断实例验证了其有效性和可行性。(3)针对EEMD散布熵-LPP滚动轴承故障诊断方法实时性差的问题,提出了一种基于多尺度散布熵-LPP的滚动轴承故障诊断方法。该方法采用耗时更短的多尺度散布熵代替EEMD算法,利用其直接构建高维特征空间。首先,计算轴承信号的15个尺度下的散布熵构建高维特征空间,接着利用LPP进行降维获得低维特征集,实现特征二次提取,最后输入KNN分类器进行分类识别。滚动轴承故障诊断实例证明其在不降低识别准确率的前提下具有更高的效率,更适用于滚珠轴承的实时诊断。(4)基于本文所研究的特征提取和故障诊断方法,包括常规的时域分析、频域分析等方法,利用MATLAB的GUI平台设计出一套旋转机械故障监测与诊断系统,为旋转机械的在线监测与故障诊断提供了一个有效的分析工具,并通过实际应用验证了该系统的有效性和实用性。最后对本文的工作进行了总结,并展望了下一步的研究方向。