论文部分内容阅读
随着科学技术的迅猛发展和现代化大生产的日益普及,旋转机械不断朝着大型化、复杂化、高速化和自动化方向发展,这对设备的运行安全提出了更高的要求。滚动轴承作为旋转机械中应用最为广泛的部件之一,直接决定着整个机械系统能否正常可靠运行,深入开展滚动轴承故障诊断和状态检测技术的研究,对有效避免生产中重大事故的发生,具有重要的学术意义和工程应用价值。本文在详细论述滚动轴承故障信号降噪、特征提取、复合与智能故障诊断研究现状的基础上,从振动信号分析与处理方法着手,针对滚动轴承故障特征提取与诊断中所涉及的几个关键问题进行了深入研究,在滚动轴承故障特征提取、微弱故障诊断、复合故障特征分离、故障模式智能识别和运行状态检测方面取得了一些研究成果,论文的创新点及主要工作如下:(1)传感器采集的滚动轴承故障振动信号频率成分比较复杂,在无关频率成分及噪声的干扰下,轴承故障特征常常难以准确提取。针对此问题,本文基于倒谱预白化和奇异值分解重构提出了一种故障特征提取方法。该方法通过倒谱预白化处理轴承故障信号,消除了信号中离散频率成分和谐波分量的干扰;然后进行奇异值分解,并基于奇异值最大差分谱重构信号,有效滤除了信号中的干扰噪声。实验证明,该方法能准确提取滚动轴承的故障特征。(2)在恶劣的工作环境下,滚动轴承振动信号中常混杂有强烈的背景噪声,尤其是故障特征较为微弱时,极易被噪声所掩盖,轴承故障难以诊断。因此,本文基于自适应多尺度自互补Top-Hat变换提出了一种轴承微弱故障诊断方法。形态学自互补Top-Hat变换滤波器处理轴承故障信号时,能够抑制信号中的强背景噪声,并有效增强轴承的故障冲击特征。同时,为达到兼顾抗噪性和信号细节保持性的目的,构建了多尺度形态学滤波器,通过比较不同尺度下滤波信号的故障特征能量比,自适应确定了最优结构元素的尺度。(3)滚动轴承出现复合故障时,在单通道振动信号中轴承不同元件的故障特征彼此混杂,难以分离。为解决此问题,本文基于改进谐波小波包分解提出了一种轴承复合故障特征分离方法。该方法可以根据需要对信号频带进行任意划分,克服了传统谐波小波包分解后子信号个数及带宽范围受二进制划分的缺陷,通过计算子信号中各单一故障信号的权重因子,重构分离出轴承各单一故障信号,有效实现了滚动轴承复合故障特征的分离。(4)针对以故障模式识别与运行状态检测为主要内容的滚动轴承智能诊断问题,本文采用Hermitian小波对轴承信号进行连续小波变换,再结合样本熵理论,提出以时间-小波能量谱样本熵作为特征参数,对轴承智能诊断进行研究。该方法将时间-小波能量谱样本熵作为轴承不同工况下样本信号的特征向量,通过支持向量机分类算法实现了轴承不同故障模式的智能识别。之后将时间-小波能量谱样本熵用于滚动轴承运行状态检测,计算全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。