基于振動(dòng)信號(hào)的電機(jī)軸承故障診斷方法研究.pdf

1、電機(jī)是現(xiàn)代工業(yè)過(guò)程中重要的驅(qū)動(dòng)設(shè)備，軸承是電機(jī)中最基本的部件，也是最容易發(fā)生故障的部件之一，電機(jī)故障的很大部分都與軸承有關(guān)，為了保障電機(jī)設(shè)備的正常運(yùn)轉(zhuǎn)，對(duì)電機(jī)軸承的故障診斷技術(shù)進(jìn)行研究具有重大的實(shí)際意義。其中振動(dòng)信號(hào)具有抗干擾能力強(qiáng)，能夠檢測(cè)出輕微故障等優(yōu)點(diǎn)，成為了軸承故障診斷中最常用的一種信號(hào)。因此本文重點(diǎn)研究了基于振動(dòng)信號(hào)的電機(jī)軸承故障診斷方法，重點(diǎn)對(duì)故障診斷過(guò)程中故障的檢測(cè)、故障特征的提取以及故障模式識(shí)別這三個(gè)階段進(jìn)行了研究，并提

2、出了完整的電機(jī)軸承故障診斷方法。主要的研究如下：
　　考慮到軸承發(fā)生故障時(shí)，信號(hào)的復(fù)雜度會(huì)增加的特點(diǎn)，研究了基于排列熵的軸承故障檢測(cè)方法，并提出了基于樣本熵的電機(jī)軸承故障檢測(cè)方法，為了避免故障檢測(cè)閾值選取的盲目性，采用了切比雪夫不等式理論的故障檢測(cè)閾值設(shè)置方法，并利用美國(guó)凱斯西儲(chǔ)大學(xué)的軸承數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，結(jié)果證明了排列熵與樣本熵都能夠衡量軸承振動(dòng)信號(hào)的復(fù)雜性，可以應(yīng)用于電機(jī)軸承故障的檢測(cè)。
　　針對(duì)難以從復(fù)雜的振動(dòng)信號(hào)中提取

3、故障特征的問(wèn)題，分別采用了基于小波包能量熵與集合經(jīng)驗(yàn)?zāi)B(tài)分解的軸承故障特征提取方法。介紹了小波包基本原理，通過(guò)對(duì)故障頻率的計(jì)算確定了小波包分解層數(shù)的最佳范圍，避免了分解層數(shù)選擇不當(dāng)產(chǎn)生的負(fù)面影響，并利用小波包能量熵來(lái)表征軸承故障特征。然后，針對(duì)于小波包分解沒(méi)有自適應(yīng)性的缺陷，研究了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的特征提取方法，并利用相關(guān)系數(shù)的計(jì)算剔除了分解出的偽分量。采用樣本熵與排列熵度量集合經(jīng)驗(yàn)?zāi)B(tài)分解分解結(jié)果中各個(gè)本征模態(tài)分量的復(fù)雜程度，構(gòu)成

4、故障特征向量。利用電機(jī)軸承故障數(shù)據(jù)進(jìn)行了測(cè)試，表明采用小波包能量熵和集合經(jīng)驗(yàn)?zāi)B(tài)分解這兩種方式提取出的特征向量都具有很好的聚類性和可分性，能夠有效地提取出對(duì)不同類型與不同程度的故障特征。
　　為了實(shí)現(xiàn)電機(jī)軸承故障的智能診斷，提出了基于多分類相關(guān)向量機(jī)（M-RVM）的電機(jī)軸承故障識(shí)別方法，該方法無(wú)需構(gòu)造多個(gè)二元分類器，可直接實(shí)現(xiàn)多分類。利用電機(jī)軸承故障特征向量進(jìn)行分類實(shí)驗(yàn)，結(jié)果證明多分類相關(guān)向量機(jī)能夠有效地應(yīng)用于電機(jī)軸承故障識(shí)別中，