论文部分内容阅读
滚动轴承作为旋转机械的易损部件,对其进行故障诊断与状态识别具有重要意义。在实际工况中,特别是在矿用环境下,采集的轴承振动信号通常包含大量噪声,而且故障信号在传输路径上与其他振动信号耦合致使故障诊断难度加大。另外,滚动轴承振动信号的非线性特征以及同一故障信号振幅的波动使得故障特征难以准确提取,故障识别准确率低。针对以上问题,本文以矿用滚动轴承为研究对象,对轴承故障信号降噪、特征提取、状态识别方法展开研究。具体研究内容如下:(1)对最大循环平稳性盲反褶积(CYCBD)理论进行了研究。针对不当的滤波器长度与循环频率影响CYCBD效果的问题,本文提出了基于自适应CYCBD的信号降噪方法,并结合Teager能量算子解调法提取故障特征频率从而人为识别故障。首先,通过仿真信号分析了CYCBD提取脉冲效果随滤波器长度与循环频率变化的规律;其次,针对循环频率的确定问题,本文提出了基于形态包络自相关函数的循环频率估计方法;然后,针对滤波器长度的确定问题,提出了综合考虑滤波效果与效率的性能效率比指数,进一步结合等步长搜索策略提出了滤波器长度的自适应原则;最后,通过仿真与实验验证了所提出方法的合理性。(2)针对轴承故障信号的非线性特征以及同一故障信号振幅波动致使故障特征难以准确提取的问题,本文提出了基于层次极差熵的故障特征提取方法。熵作为一种非线性分析方法,能够表征不同故障的复杂程度。但常用的熵如样本熵等都没有考虑幅值波动带来的熵值变化致使故障错误识别。极差熵虽然考虑了幅值波动的因素,但无法从多个尺度分析信号。本文结合层次分析的优点,提出了层次极差熵指标。实测信号分析结果表明,相比于只考虑低频成分的多尺度极差熵以及未考虑振幅波动的层次模糊熵,层次极差熵提取的故障特征更加有效。(3)针对故障识别准确率低的问题,本文提出了基于自组织模糊逻辑分类器(SOF)的故障识别方法。SOF分类器具有高精度、高效率的优点,且在新增样本类别后可在原有基础上进行训练,无需重新开始训练,但建立其结构时涉及到粒度级别与样本距离度量方法的确定。本文通过实测信号的分析确定了粒度级别与样本距离度量方法,并结合LDA降维提出了轴承故障智能识别方法。实验结果表明:1)特征冗余会使分类精度降低,通过LDA降维能够提高故障识别准确率。2)相比于未考虑振幅波动的层次模糊熵,层次极差熵得到的分类精度更高。3)噪声会降低故障识别率,通过CYCBD降噪能够提高故障识别准确率。