基于LMD的滾動軸承故障診斷研究.pdf

1、滾動軸承是機(jī)電設(shè)備中的常用零部件，對其進(jìn)行故障監(jiān)測和診斷具有重要意義。機(jī)械設(shè)備運(yùn)行過程中產(chǎn)生的振動信號包含了豐富的故障信息，對這些信息進(jìn)行分析與處理，獲得機(jī)械設(shè)備零部件的狀態(tài)變化信息，進(jìn)而判斷機(jī)械設(shè)備或零部件是否存在故障。時頻分析方法是機(jī)械故障特征提取中應(yīng)用廣泛的一種分析工具?；诖吮尘?，本文引入了一種新的時頻分析方法.局部均值分解，采用局部均值分解、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、奇異值分解的理論和方法，對滾動軸承故障診斷方法進(jìn)行了研究。

2、>　　 主要研究內(nèi)容如下：
　　 1.闡述了傳統(tǒng)時頻分析方法在分析時變非平穩(wěn)信號中的應(yīng)用，指出了其存在的缺陷，通過LMD方法和傳統(tǒng)時頻分析方法的仿真信號對比，結(jié)果表明LMD對瞬變信號的頻率與幅值變化表征明顯，在減少迭代次數(shù)、抑制端點(diǎn)效應(yīng)方面優(yōu)于EMD方法。
　　 2.將LMD和神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于LMD與神經(jīng)網(wǎng)絡(luò)的智能診斷方法。以LMD作為預(yù)處理器，分解得到若干PF分量，從包含主要故障信息的前幾個分量中提取滾動

3、軸承故障特征，通過與基于小波包分解提取故障特征的對比，表明基于LMD和神經(jīng)網(wǎng)絡(luò)的方法可以有效識別滾動軸承故障類型，具有更好的識別能力。
　　 3.將小波包和LMD方法相結(jié)合，改進(jìn)了原來的LMD方法，對小波包重構(gòu)后的信號再進(jìn)行LMD分解。針對滾動軸承出現(xiàn)局部故障時往往伴隨著周期性脈沖信號這一特點(diǎn)與奇異值分解技術(shù)的缺陷，提出了一種基于改進(jìn)LMD奇異值分解的故障特征提取方法。對滾動軸承實(shí)驗(yàn)信號的分析結(jié)果表明，基于改進(jìn)LMD奇異值分解和