基于盲源分離和多尺度熵(MSE)的滾動軸承故障診斷.pdf

1、滾動軸承是許多機械設備的重要部件之一，其能否正常運行關(guān)系到機械設備的正常與否。傳統(tǒng)滾動軸承故障診斷方法常常忽略傳感器采集的振動信號是多個源信號混合的事實，直接采用適用于平穩(wěn)信號分析的傅里葉變換對非平穩(wěn)振動信號進行處理，難以全面、準確地分析源信號所包含的故障類型。針對傳統(tǒng)滾動軸承故障診斷技術(shù)的不足，本文提出基于盲源分離和多尺度熵的滾動軸承故障診斷方法。
　　滾動軸承作為一種精密元件，當軸承某一部件出現(xiàn)異常時，軸承其他部件往往會產(chǎn)生連

2、鎖反應，傳感器采集到的振動數(shù)據(jù)往往是多個部件異常振動的疊加。為了更加精準地識別各個異常情況，本文提出基于盲源分離的單通道振動信號分離方法，該方法利用極點對稱模態(tài)分解將欠定盲源分離問題轉(zhuǎn)換為正定盲源分離問題，然后采用基于時頻分析的盲源分離方法分離源信號。仿真結(jié)果表明，該方法分離出的源信號與實際源信號相關(guān)系數(shù)分別達到0.9771、0.9784、0.9660，能夠以較高的分離精度將單個多源混合信號逐一分離出來。
　　針對分離信號的特征提

3、取，提出采用經(jīng)驗模態(tài)分解和多尺度熵方法來提取分離信號的特征量。經(jīng)驗模態(tài)分解方法在使用過程中，常常受到端點效應的影響。針對經(jīng)驗模態(tài)分解方法端點效應問題，提出基于波形平均的端點效應抑制方法，根據(jù)信號自身特性來延拓信號，具有較好的自適應性，能夠較好地抑制經(jīng)驗模態(tài)分解端點效應。為了有效識別故障類型，采用 BP神經(jīng)網(wǎng)絡對故障進行辨識。實驗結(jié)果表明，本文提出的滾動軸承故障診斷方法對軸承內(nèi)圈故障、外圈故障以及正常狀態(tài)的識別率分別達到97％、86%、9