滾動(dòng)軸承振動(dòng)信號(hào)特征提取與狀態(tài)評(píng)估方法研究.pdf

1、滾動(dòng)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(gè)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(gè)機(jī)械設(shè)備的運(yùn)行可靠性。滾動(dòng)軸承運(yùn)行時(shí)，其性能一般會(huì)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(cè)到它的性能退化程度或同時(shí)檢測(cè)到故障位置及性能退化程度，就能夠變傳統(tǒng)的定時(shí)或事后維修為視情維修，實(shí)現(xiàn)軸承的主動(dòng)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(duì)現(xiàn)有故障診斷技術(shù)的拓展與深入。
　　本文以滾動(dòng)軸承為研究對(duì)象，對(duì)滾動(dòng)軸承非平穩(wěn)振動(dòng)信號(hào)進(jìn)行分析與處理。以實(shí)現(xiàn)一種滾動(dòng)軸承不同狀態(tài)（正常狀態(tài)，內(nèi)環(huán)、滾動(dòng)體、外環(huán)故障狀態(tài)及其不同性能退化程度）智能評(píng)估方法為目標(biāo)，在深入研究振動(dòng)信號(hào)特征提取與約簡(jiǎn)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(dòng)軸承多狀態(tài)評(píng)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(yàn)?zāi)B(tài)分解（EEMD）的振動(dòng)信號(hào)時(shí)頻分析方法研究。對(duì)比分析驗(yàn)證了基于EEMD的Hilbert譜時(shí)頻分析方法具有時(shí)間和頻率分辨率高、抗模態(tài)混疊的特點(diǎn)。并針對(duì)EEMD分解時(shí)，加入噪聲幅值大小和集合平均次數(shù)這2個(gè)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(duì)滾動(dòng)軸承振動(dòng)信號(hào)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(duì)滾動(dòng)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(shí)驗(yàn)研究驗(yàn)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(jiān)實(shí)的基礎(chǔ)。
　　（2）振動(dòng)信號(hào)多域特征提取與約簡(jiǎn)方法研究。為了精細(xì)刻畫滾動(dòng)軸承運(yùn)行狀態(tài)，體現(xiàn)滾動(dòng)軸承振動(dòng)信號(hào)的全局特征以及局部特征，研究時(shí)域、頻域和時(shí)頻域的多域特征提取方案。其中，時(shí)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(shí)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(dòng)軸承

5、單個(gè)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(dòng)軸承各狀態(tài)特征庫。針對(duì)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(shí)驗(yàn)對(duì)比分析，確定了對(duì)滾動(dòng)軸承特征約簡(jiǎn)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(diǎn)，但其分類精度與普通SVM相比并不高。針對(duì)此問題，研究分類規(guī)則，提出改進(jìn)方案，并對(duì)關(guān)鍵區(qū)域提出了新的決策準(zhǔn)則。同時(shí)，針對(duì)經(jīng)驗(yàn)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(jì)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(shí)間消耗的目的。深入研究了滾動(dòng)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(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。
　?。?）滾動(dòng)軸承狀態(tài)評(píng)估方法研究。針對(duì)滾動(dòng)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(duì)損傷程度和故障變化進(jìn)行量化描述，以此來定量評(píng)估其性能狀