基于流形學(xué)習(xí)的滾動軸承早期故障識別方法研究.pdf

1、滾動軸承作為旋轉(zhuǎn)機械裝備中關(guān)鍵且易發(fā)生故障的零部件之一，其運行狀態(tài)直接影響整個裝備系統(tǒng)的性能，因此對滾動軸承進行狀態(tài)識別與故障診斷研究具有重要意義。信號降噪和故障特征提取是狀態(tài)識別與故障診斷中最核心的內(nèi)容，由于滾動軸承運行環(huán)境復(fù)雜，干擾多、噪聲大，且故障信號多為非平穩(wěn)非線性信號，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，本文以滾動軸承為研究對象，針對其強背景噪聲下的早期故障振動信號特點，將流形方法與其它現(xiàn)代振動信號分析方法

2、相結(jié)合，對滾動軸承故障信號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內(nèi)外滾動軸承故障診斷的發(fā)展進程;對當(dāng)代滾動軸承故障診斷中的降噪和故障特征提取兩個關(guān)鍵問題進行了詳細(xì)綜述;剖析了滾動軸承常見故障形式及其成因與后果;闡述了滾動軸承的振動機理及時域、頻域、時頻域振動分析理論的具體使用方法。
　　2.針對滾動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EMD的早期微弱故障信號降噪方法。首先在EMD分解前先進行一次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，實現(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)非線性信號的優(yōu)勢，還能有效克服噪聲對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。工程實際信號對比分析驗證了該方法的有效性與優(yōu)越性。

4、
　　3.針對如何有效提取非平穩(wěn)非線性故障信號敏感特征問題，提出了基于二維流形-Hilbert時頻譜的滾動軸承時頻故障特征提取方法。首先在Hilbert時頻分析基礎(chǔ)上，應(yīng)用改進LPP算法的二維LPP流形算法提取信號流形成分，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。