基于流形學(xué)習(xí)的滾動(dòng)軸承早期故障識(shí)別方法研究.pdf

1、滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械裝備中關(guān)鍵且易發(fā)生故障的零部件之一，其運(yùn)行狀態(tài)直接影響整個(gè)裝備系統(tǒng)的性能，因此對(duì)滾動(dòng)軸承進(jìn)行狀態(tài)識(shí)別與故障診斷研究具有重要意義。信號(hào)降噪和故障特征提取是狀態(tài)識(shí)別與故障診斷中最核心的內(nèi)容，由于滾動(dòng)軸承運(yùn)行環(huán)境復(fù)雜，干擾多、噪聲大，且故障信號(hào)多為非平穩(wěn)非線性信號(hào)，從而大大降低了傳統(tǒng)降噪與故障特征提取方法的有效性。為此，本文以滾動(dòng)軸承為研究對(duì)象，針對(duì)其強(qiáng)背景噪聲下的早期故障振動(dòng)信號(hào)特點(diǎn)，將流形方法與其它現(xiàn)代振動(dòng)信號(hào)分析方法

2、相結(jié)合，對(duì)滾動(dòng)軸承故障信號(hào)的降噪和特征提取問題展開深入研究。論文主要內(nèi)容如下:
　　1.論述了選題的背景意義及國(guó)內(nèi)外滾動(dòng)軸承故障診斷的發(fā)展進(jìn)程;對(duì)當(dāng)代滾動(dòng)軸承故障診斷中的降噪和故障特征提取兩個(gè)關(guān)鍵問題進(jìn)行了詳細(xì)綜述;剖析了滾動(dòng)軸承常見故障形式及其成因與后果;闡述了滾動(dòng)軸承的振動(dòng)機(jī)理及時(shí)域、頻域、時(shí)頻域振動(dòng)分析理論的具體使用方法。
　　2.針對(duì)滾動(dòng)軸承早期微弱故障特征易被噪聲及干擾成分所淹沒的問題，將KPCA流形、EMD和LT

3、SA流形相結(jié)合，提出了改進(jìn)EMD的早期微弱故障信號(hào)降噪方法。首先在EMD分解前先進(jìn)行一次KPCA流形降噪，然后在EMD分解基礎(chǔ)上將所有IMF系數(shù)利用LTSA流形算法提取其低維流形分量，并將其求和得到新信號(hào)，實(shí)現(xiàn)降噪。該方法不僅充分利用了EMD完全自適應(yīng)性分析非平穩(wěn)非線性信號(hào)的優(yōu)勢(shì)，還能有效克服噪聲對(duì)EMD分解效果的影響，并很好地解決了常規(guī)EMD應(yīng)用中忽略大部分分量造成故障信息丟失的問題。工程實(shí)際信號(hào)對(duì)比分析驗(yàn)證了該方法的有效性與優(yōu)越性。

4、
　　3.針對(duì)如何有效提取非平穩(wěn)非線性故障信號(hào)敏感特征問題，提出了基于二維流形-Hilbert時(shí)頻譜的滾動(dòng)軸承時(shí)頻故障特征提取方法。首先在Hilbert時(shí)頻分析基礎(chǔ)上，應(yīng)用改進(jìn)LPP算法的二維LPP流形算法提取信號(hào)流形成分，然后定義了奇異值熵定量衡量不同故障狀態(tài)下流形特征的差異。該方法直接以二維信息為研究對(duì)象避免了一維流形算法需將二維信息轉(zhuǎn)化為向量帶來的信息損失，與一般PCA方法相比更能發(fā)現(xiàn)隱藏在高維數(shù)據(jù)流形結(jié)構(gòu)中的局部數(shù)據(jù)特征。