滾動軸承振動信號特征提取與狀態(tài)評估方法研究.pdf

1、滾動軸承是眾多旋轉(zhuǎn)機(jī)械的關(guān)鍵性部件，被人們稱為機(jī)器的關(guān)節(jié)。其在極端環(huán)境下，受各種因素的影響，是整個旋轉(zhuǎn)機(jī)械系統(tǒng)中可靠性最差的零部件，成為“水桶短板”，直接影響整個機(jī)械設(shè)備的運(yùn)行可靠性。滾動軸承運(yùn)行時，其性能一般會從正常狀態(tài)逐漸衰退直至完全損壞。如果能在軸承損壞過程中檢測到它的性能退化程度或同時檢測到故障位置及性能退化程度，就能夠變傳統(tǒng)的定時或事后維修為視情維修，實現(xiàn)軸承的主動維護(hù)。這樣可最大限度利用軸承壽命，降低維護(hù)保障成本，避免進(jìn)一步

2、導(dǎo)致事故發(fā)生，造成巨大的損失。該研究方向側(cè)重于設(shè)備整體性能的研究，是從理念和方法上對現(xiàn)有故障診斷技術(shù)的拓展與深入。
　　本文以滾動軸承為研究對象，對滾動軸承非平穩(wěn)振動信號進(jìn)行分析與處理。以實現(xiàn)一種滾動軸承不同狀態(tài)（正常狀態(tài)，內(nèi)環(huán)、滾動體、外環(huán)故障狀態(tài)及其不同性能退化程度）智能評估方法為目標(biāo)，在深入研究振動信號特征提取與約簡方法的基礎(chǔ)上，進(jìn)一步深入研究超球結(jié)構(gòu)多類支持向量機(jī)的優(yōu)化問題，以及如何建立滾動軸承多狀態(tài)評估模型這一關(guān)鍵技術(shù)問

3、題。論文的主要工作包括：
　　（1）基于集合經(jīng)驗?zāi)B(tài)分解（EEMD）的振動信號時頻分析方法研究。對比分析驗證了基于EEMD的Hilbert譜時頻分析方法具有時間和頻率分辨率高、抗模態(tài)混疊的特點。并針對EEMD分解時，加入噪聲幅值大小和集合平均次數(shù)這2個重要參數(shù)的選取問題，從能量標(biāo)準(zhǔn)差的角度，研究EEMD方法中加入白噪聲的準(zhǔn)則；針對滾動軸承振動信號經(jīng)改進(jìn)的EEMD分解后得到的固有模態(tài)函數(shù)（IMF）仍含有虛假分量和對滾動軸承故障不敏感

4、的IMF分量問題，研究一種峭度值結(jié)合歸一化相關(guān)系數(shù)的IMF提存算法。實驗研究驗證了所提方法的有效性，為后續(xù)進(jìn)一步提取特征打下堅實的基礎(chǔ)。
　?。?）振動信號多域特征提取與約簡方法研究。為了精細(xì)刻畫滾動軸承運(yùn)行狀態(tài)，體現(xiàn)滾動軸承振動信號的全局特征以及局部特征，研究時域、頻域和時頻域的多域特征提取方案。其中，時頻域特征提取方面提出了基于改進(jìn)EEMD敏感IMF分別結(jié)合時域指標(biāo)、頻域指標(biāo)、自回歸模型和奇異值分解的方法。基于此構(gòu)造了滾動軸承

5、單個樣本的特征向量以及各狀態(tài)的特征向量矩陣，并建立了滾動軸承各狀態(tài)特征庫。針對高維特征之間存在相關(guān)性和冗余性的問題，研究流形學(xué)習(xí)算法，結(jié)合支持向量機(jī)（SVM）通過實驗對比分析，確定了對滾動軸承特征約簡最有效的方法。
　?。?）智能分類方法及故障智能診斷方法研究。超球結(jié)構(gòu)多類SVM雖具有一系列優(yōu)點，但其分類精度與普通SVM相比并不高。針對此問題，研究分類規(guī)則，提出改進(jìn)方案，并對關(guān)鍵區(qū)域提出了新的決策準(zhǔn)則。同時，針對經(jīng)驗確定超球結(jié)構(gòu)多

6、類SVM核參數(shù)選取范圍的問題，推導(dǎo)超球球心間的距離計算公式，提出將球心間的距離作為分離指數(shù)確定核參數(shù)的最優(yōu)選取范圍，達(dá)到了降低訓(xùn)練時間消耗的目的。深入研究了滾動軸承不同運(yùn)行狀態(tài)的智能故障診斷方法。建立了超球結(jié)構(gòu)多類SVM智能診斷模型，并進(jìn)行了大量實驗，驗證了所提方法的有效性。
　?。?）滾動軸承狀態(tài)評估方法研究。針對滾動軸承故障智能診斷方法只能判斷軸承故障狀態(tài)的從屬關(guān)系，不能對損傷程度和故障變化進(jìn)行量化描述，以此來定量評估其性能狀