论文部分内容阅读
滚动轴承作为旋转机械中应用最为广泛的部件,通常由于过载、磨损、不均匀受热和润滑不足等原因发生故障,而导致机械系统发生故障甚至引起瘫痪,造成巨大的经济以及人力损失。据滚动轴承相关资料统计,在导致旋转机械发生故障的原因中约有33.3%是由于滚动轴承故障所引起,由此可见,滚动轴承的健康状态将大大地影响整个机械系统的生产效率以及生命周期,对滚动轴承进行故障诊断变得十分有必要。然而,对滚动轴承故障信号进行特征提取一直以来都是滚动轴承故障诊断中的一个难点以及重点,能否提取出有效的滚动轴承故障特征将直接影响到滚动轴承的故障检测以及故障分类的正确性。因此,本文对滚动轴承故障信号的特征提取方法进行深入的研究。本文以滚动轴承振动信号为研究对象,在对振动信号进行故障特性分析的基础上,采用混合型的信号处理方法,提出了基于多变量模态分解(Multivariate Empirical Mode Decomposition,MEMD)和排列熵(Permutation Entropy,PE)综合的滚动轴承故障特征提取算法以及基于谱峭度(Spectral Kurtosis,SK)和改进关联维数的滚动轴承故障特征提取算法。主要内容如下:(1)研究了目前应用于滚动轴承振动信号的分析处理方法:基于时频域分析的MEMD和SK,以及基于统计分析的PE和关联维数等方法。采用这些信号处理方法对仿真计算和实验采集的滚动轴承故障信号进行故障特征提取,验证了这些方法的适用性和有效性。(2)提出了基于MEMD和PE综合的滚动轴承故障特征提取算法,用于解决噪声干扰问题。通过基于SK的最优带通滤波器有效地去除了与故障特征频率在不同频带范围的噪声干扰;采用MEMD和PE相结合的改进算法进一步有效地去除了与故障特征频率在同频带范围的噪声干扰。对重构的故障信号包络谱进行分析,得到较明显的故障特征频率,并引入了一个量化的故障特征频率度量因子来评估算法的性能。通过采用仿真与实验信号比较分析了现有的与改进的滚动轴承故障特征提取算法,相比于现有方法,该改进方法在准确性与有效性上具有明显的优势。(3)提出了一种基于SK和改进关联维数的滚动轴承故障特征提取算法。该算法利用了关联维数本身具有的独特优势——用量化的数值来直接描述不同状态的轴承故障特征。相比于采用特征频率成分描述故障特征的滚动轴承故障特征提取方法,该改进的方法通过采用关联维数值作为故障特征有效地弱化了噪声在特征提取中的影响。最后,通过不同故障类型以及同类型不同故障程度的滚动轴承振动信号验证了该改进的故障特征提取算法的正确性以及有效性。