基于局部均值分解的滾動(dòng)軸承故障診斷方法研究.pdf

1、在現(xiàn)代化機(jī)械設(shè)備中，旋轉(zhuǎn)機(jī)械設(shè)備所占比重很大，而滾動(dòng)軸承又是旋轉(zhuǎn)機(jī)械的關(guān)鍵組成部件，因此對(duì)旋轉(zhuǎn)機(jī)械滾動(dòng)軸承狀態(tài)監(jiān)測(cè)和故障診斷的研究勢(shì)在必行。局部均值分解(Local Mean Decomposition,LMD)時(shí)頻分析方法作為新的信號(hào)分解方法，有很好的優(yōu)勢(shì)對(duì)于處理和分析非平穩(wěn)、非線性的振動(dòng)信號(hào)，尤其是滾動(dòng)軸承振動(dòng)信號(hào)這樣的復(fù)雜的調(diào)幅-調(diào)頻信號(hào)。本文重點(diǎn)研究了基于LMD的滾動(dòng)軸承故障診斷方法。其主要內(nèi)容如下：
　　首先，針對(duì)LMD

2、分解方法存在的虛假分量問題，研究了一種基于迭代終止條件改進(jìn)和殘余分量再處理的方法。利用仿真信號(hào)和實(shí)際故障信號(hào)驗(yàn)證此方法的可行性和有效性。
　　然后，研究了一種基于LMD多尺度熵和概率神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法。此方法首先對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行LMD分解，然后求取分解所得的乘積函數(shù)(Product Function,PF)的多尺度熵(Multi-Scale Entropy，MSE)，最后將熵值作為故障特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)進(jìn)