旋轉(zhuǎn)機(jī)械故障分析方法與診斷系統(tǒng)研究.pdf

1、在現(xiàn)代化生產(chǎn)生活中，機(jī)械設(shè)備的應(yīng)用范圍廣闊，若某一零部件出現(xiàn)問(wèn)題而沒(méi)有及時(shí)發(fā)現(xiàn)，必然會(huì)造成一定的損失。而隨著機(jī)械設(shè)備故障智能診斷技術(shù)的發(fā)展，將其應(yīng)用于生產(chǎn)實(shí)踐，不僅可以避免巨大的經(jīng)濟(jì)損失，而且可以減少較大事故造成的傷亡。因此，對(duì)故障診斷技術(shù)進(jìn)行研究，具有一定的現(xiàn)實(shí)意義。本文首先對(duì)一些機(jī)械故障機(jī)理進(jìn)行介紹，然后結(jié)合時(shí)域特征值和神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了軸承是否出現(xiàn)故障的檢測(cè)方法研究，接著研究了一種基于提取包絡(luò)極值的局部均值分解改進(jìn)算法，最后開(kāi)發(fā)了

2、一種能夠快速有效地應(yīng)用于減速機(jī)故障檢測(cè)的智能診斷系統(tǒng)。論文主要研究?jī)?nèi)容如下：
　　首先，以常見(jiàn)的軸承和齒輪為例介紹了機(jī)械故障的相關(guān)理論，具體包含有軸承和齒輪故障機(jī)理和故障類型，然后對(duì)研究期間用到的時(shí)域統(tǒng)計(jì)分析方法、頻譜分析法和時(shí)域分析法進(jìn)行了具體介紹。
　　其次，基于時(shí)域統(tǒng)計(jì)方法和神經(jīng)網(wǎng)絡(luò)理論，實(shí)現(xiàn)了基于LabVIEW的軸承是否出現(xiàn)故障的診斷方法研究。對(duì)已有不同工況下的軸承振動(dòng)信號(hào)進(jìn)行特征值提取，建立軸承正常狀態(tài)下的大樣本庫(kù)

3、，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，通過(guò)閾值設(shè)定判斷經(jīng)過(guò)網(wǎng)絡(luò)訓(xùn)練的軸承信號(hào)是否為正常狀態(tài)。
　　再次，研究了局部均值分解（LMD）算法，通過(guò)對(duì)仿真信號(hào)和實(shí)測(cè)信號(hào)的反復(fù)驗(yàn)證，發(fā)現(xiàn)LMD算法有對(duì)高頻噪聲敏感的缺點(diǎn)。為了彌補(bǔ)這一缺點(diǎn)，提出了一種基于提取包絡(luò)極值點(diǎn)的局部均值改進(jìn)算法，然后通過(guò)對(duì)比普通濾波、小波降噪和提升小波分析法這3種不同的去噪方法對(duì)LMD分解的結(jié)果影響，證實(shí)了該改進(jìn)算法良好的復(fù)現(xiàn)性和有效性。
　　最后，基于LabVIEW的開(kāi)