基于流形學習的滾動軸承故障特征提取方法研究.pdf

1、作為旋轉(zhuǎn)機械的關(guān)鍵部件，滾動軸承在整個機械系統(tǒng)中起著非常重要的作用。其運行狀態(tài)的好壞往往直接決定了一整臺機器的性能優(yōu)劣。因此研究針對滾動軸承運行狀態(tài)的故障特征提取方法具有非常重要的現(xiàn)實意義和經(jīng)濟價值。本文以滾動軸承為研究對象，針對強背景噪聲下滾動軸承早期微弱故障信號的特點，將流形學習方法與其它現(xiàn)代信號處理方法相結(jié)合，對滾動軸承故障特征提取方法展開研究工作，論文主要研究內(nèi)容如下:
　　1、論述了滾動軸承的故障機理和時頻特征提取方法。

2、首先對構(gòu)成滾動軸承的基本單元及其發(fā)揮的作用作了簡述，在此基礎(chǔ)上結(jié)合滾動軸承的常見故障類型，對故障產(chǎn)生的原因作了重點剖析。給出了滾動軸承的兩種主要頻率成分及其計算公式。最后通過一組實驗室軸承數(shù)據(jù)分析了時頻分析方法的有效性。
　　2、研究了基于EEMD-流形學習的滾動軸承早期微弱故障信號降噪方法。為了克服EMD分解的模態(tài)混疊現(xiàn)象以及傳統(tǒng)閾值降噪方法的不足，結(jié)合滾動軸承早期微弱故障信號的特點，通過對EEMD分解后得到IMF分量集作LTS

3、A流形降維處理，能夠有效去除噪聲成分，提高信噪比。通過仿真和實際軸承信號驗證了方法的有效性。
　　3、研究了基于小波包-流形樣本熵的滾動軸承故障特征提取方法。結(jié)合小波包分解在處理信號高頻細節(jié)分量時的優(yōu)勢以及樣本熵對數(shù)據(jù)系統(tǒng)內(nèi)部自我相似度的有效估計。通過對信號小波包分解后的子帶進行KPCA流形算法處理，并計算流形子帶的樣本熵值，能夠有效區(qū)分出軸承的不同工作狀態(tài)。最后通過四種不同狀態(tài)下的實際軸承數(shù)據(jù)驗證了方法的有效性。
　　4、