基于LCD和VPMCD的滾動軸承故障診斷方法.pdf

1、滾動軸承是機械設備中使用量最多，也是極易損壞的零件，當其出現(xiàn)故障時容易引發(fā)整個機械設備的失效，因此對其運行狀況進行監(jiān)測和診斷具有十分重要的意義。滾動軸承故障診斷的關鍵在于故障特征提取，當滾動軸承出現(xiàn)故障時，其振動信號往往表現(xiàn)出非平穩(wěn)特性。局部特征尺度分解(Local characteristic scaledecomposition，簡稱LCD)是一種自適應的非平穩(wěn)信號處理方法，該方法能夠將復雜的非平穩(wěn)信號自適應地分解為若干瞬時頻率具有

2、物理意義的單分量信號之和，因而非常適合于滾動軸承故障信號分析。
　　 同時，滾動軸承的故障診斷本質上是一個模式識別的過程。在模式識別方法中，基于變量預測模型的模式識別(Variable predictive model based classdiscriminate，簡稱VPMCD)是一種新的模式識別方法，該方法利用特征參數(shù)之間存在相互內在關系建立變量預測模型，再通過預測模型對待測數(shù)據(jù)進行模式識別與分類。在滾動軸承故障診斷中，通

3、過特征提取獲得的特征參數(shù)之間往往存在著一定的內在變量關系，而這種關系在不同的系統(tǒng)或類別之間具有不同的特點，因此，可以將VPMCD應用于滾動軸承故障模式識別中。
　　 基于此，本文將LCD方法和VPMCD方法相結合，提出了基于LCD和VPMCD的滾動軸承故障診斷方法。論文的主要研究內容如下:
　　 1、分析了滾動軸承常見的失效形式，探討了它的故障機理和振動特征，同時從信號處理方法和故障模式識別方法兩個方面對其故障診斷方法進

4、行了闡述。
　　 2、研究了LCD算法的基本理論，并通過仿真信號比較了LCD相對于固有時間尺度分解（Intrinsic time-scale decomposition，簡稱ITD）和經(jīng)驗模態(tài)分解（Empirical mode decomposition，簡稱EMD）算法的優(yōu)點，同時通過實驗來驗證LCD在滾動軸承故障診斷中的有效性。
　　 3、研究了VPMCD算法的基本理論，將其與LCD算法相結合運用于滾動軸承故障診斷中

5、，并通過實驗，與目前廣泛應用于滾動軸承模式識別中的神經(jīng)網(wǎng)絡算法和支持向量機算法相比較，結果驗證了其在分類精度和訓練速度上的優(yōu)勢。
　　 4、針對VPMCD在參數(shù)估計過程中存在的缺陷，對其進行了改進，用主成分回歸代替原方法中的最小二乘法進行參數(shù)估計，消除了預測變量間存在多重線性相關性的影響，可以獲得更加穩(wěn)定的模型參數(shù)，從而提高了模式識別的精度。通過對不同工作狀態(tài)和故障類型下的滾動軸承振動信號進行分析，結果表明了該方法的有效性。