滾動(dòng)軸承故障信號(hào)特征提取方法研究.pdf

1、滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中應(yīng)用最為廣泛的部件，通常由于過(guò)載、磨損、不均勻受熱和潤(rùn)滑不足等原因發(fā)生故障，而導(dǎo)致機(jī)械系統(tǒng)發(fā)生故障甚至引起癱瘓，造成巨大的經(jīng)濟(jì)以及人力損失。據(jù)滾動(dòng)軸承相關(guān)資料統(tǒng)計(jì)，在導(dǎo)致旋轉(zhuǎn)機(jī)械發(fā)生故障的原因中約有33.3％是由于滾動(dòng)軸承故障所引起，由此可見(jiàn)，滾動(dòng)軸承的健康狀態(tài)將大大地影響整個(gè)機(jī)械系統(tǒng)的生產(chǎn)效率以及生命周期，對(duì)滾動(dòng)軸承進(jìn)行故障診斷變得十分有必要。然而，對(duì)滾動(dòng)軸承故障信號(hào)進(jìn)行特征提取一直以來(lái)都是滾動(dòng)軸承故障診斷中的一

2、個(gè)難點(diǎn)以及重點(diǎn)，能否提取出有效的滾動(dòng)軸承故障特征將直接影響到滾動(dòng)軸承的故障檢測(cè)以及故障分類(lèi)的正確性。因此，本文對(duì)滾動(dòng)軸承故障信號(hào)的特征提取方法進(jìn)行深入的研究。
　　本文以滾動(dòng)軸承振動(dòng)信號(hào)為研究對(duì)象，在對(duì)振動(dòng)信號(hào)進(jìn)行故障特性分析的基礎(chǔ)上，采用混合型的信號(hào)處理方法，提出了基于多變量模態(tài)分解（Multivariate Empirical Mode Decomposition,MEMD）和排列熵（Permutation Entropy,P

3、E）綜合的滾動(dòng)軸承故障特征提取算法以及基于譜峭度（Spectral Kurtosis,SK）和改進(jìn)關(guān)聯(lián)維數(shù)的滾動(dòng)軸承故障特征提取算法。主要內(nèi)容如下：
　?。?）研究了目前應(yīng)用于滾動(dòng)軸承振動(dòng)信號(hào)的分析處理方法：基于時(shí)頻域分析的MEMD和SK，以及基于統(tǒng)計(jì)分析的PE和關(guān)聯(lián)維數(shù)等方法。采用這些信號(hào)處理方法對(duì)仿真計(jì)算和實(shí)驗(yàn)采集的滾動(dòng)軸承故障信號(hào)進(jìn)行故障特征提取，驗(yàn)證了這些方法的適用性和有效性。
　?。?）提出了基于MEMD和PE綜合

4、的滾動(dòng)軸承故障特征提取算法，用于解決噪聲干擾問(wèn)題。通過(guò)基于SK的最優(yōu)帶通濾波器有效地去除了與故障特征頻率在不同頻帶范圍的噪聲干擾；采用MEMD和PE相結(jié)合的改進(jìn)算法進(jìn)一步有效地去除了與故障特征頻率在同頻帶范圍的噪聲干擾。對(duì)重構(gòu)的故障信號(hào)包絡(luò)譜進(jìn)行分析，得到較明顯的故障特征頻率，并引入了一個(gè)量化的故障特征頻率度量因子來(lái)評(píng)估算法的性能。通過(guò)采用仿真與實(shí)驗(yàn)信號(hào)比較分析了現(xiàn)有的與改進(jìn)的滾動(dòng)軸承故障特征提取算法，相比于現(xiàn)有方法，該改進(jìn)方法在準(zhǔn)確性

5、與有效性上具有明顯的優(yōu)勢(shì)。
　?。?）提出了一種基于SK和改進(jìn)關(guān)聯(lián)維數(shù)的滾動(dòng)軸承故障特征提取算法。該算法利用了關(guān)聯(lián)維數(shù)本身具有的獨(dú)特優(yōu)勢(shì)——用量化的數(shù)值來(lái)直接描述不同狀態(tài)的軸承故障特征。相比于采用特征頻率成分描述故障特征的滾動(dòng)軸承故障特征提取方法，該改進(jìn)的方法通過(guò)采用關(guān)聯(lián)維數(shù)值作為故障特征有效地弱化了噪聲在特征提取中的影響。最后，通過(guò)不同故障類(lèi)型以及同類(lèi)型不同故障程度的滾動(dòng)軸承振動(dòng)信號(hào)驗(yàn)證了該改進(jìn)的故障特征提取算法的正確性以及有效