滾動軸承沖擊類故障特征增強的非局部均值算法研究.pdf

1、軸承是旋轉(zhuǎn)機械中最重要的零部件之一，常處于高速重載的惡劣環(huán)境，是最易出現(xiàn)故障的零部件，成為故障診斷技術(shù)的主要研究對象。當前的故障診斷技術(shù)尚無法完美解決實際生產(chǎn)中的各類問題，仍存在許多亟待解決的關(guān)鍵性難題。故障特征增強技術(shù)是故障診斷的基礎(chǔ)，直接決定著后續(xù)診斷結(jié)果的準確性。當前的故障特征增強技術(shù)如最小熵解卷積、譜峭度等方法還不夠成熟，尚不能滿足實際生產(chǎn)需求，國內(nèi)外學者在完善這些算法的同時也期待新方法的提出以突破現(xiàn)有的技術(shù)瓶頸，這對故障診斷技

2、術(shù)的發(fā)展有著極其重要的意義。本文在分析國內(nèi)外故障診斷技術(shù)研究現(xiàn)狀的基礎(chǔ)上，主要針對滾動軸承振動信號的診斷，深入探究了非局部均值算法(Non-local Mean,簡稱 NLM)在軸承故障診斷中的應(yīng)用可行性問題，旨在為故障診斷技術(shù)提供一種抗噪性能好、診斷能力強的故障特征增強新方法和新技術(shù)。
　　針對非局部均值算法的一維化問題，本文在應(yīng)用于二維圖像數(shù)據(jù)處理的非局部均值算法的理論基礎(chǔ)上，提出將該算法利用像素與結(jié)構(gòu)自相似性加權(quán)平均以消除噪

3、聲的原理借鑒至滾動軸承的故障數(shù)據(jù)處理中，實現(xiàn)非局部均值算法的一維化。同時針對滾動軸承的故障診斷，提出了基于NLM的滾動軸承故障診斷模型，實驗室軸承故障數(shù)據(jù)分析表明，該算法能夠較好地消除信號中的背景噪聲干擾，挖掘出表征軸承故障信息的異常沖擊特征。
　　針對非局部均值算法的數(shù)據(jù)處理結(jié)果受參數(shù)影響嚴重的問題，提出將粒子群算法(Particle Swarm Optimization,簡稱PSO)引入到NLM的決定性參數(shù)λ、M和P的尋優(yōu)求解

4、。選用NLM濾波后信號峭度的倒數(shù)為目標函數(shù)，通過設(shè)定目標函數(shù)閾值及最大迭代次數(shù)條件來獲取NLM濾波器最優(yōu)參數(shù)，從而構(gòu)成最優(yōu)濾波器實現(xiàn)NLM算法的自適應(yīng)。自適應(yīng)NLM算法的提出能夠解決算法參數(shù)隨機性的問題，可增強算法的數(shù)據(jù)處理效果。這為NLM算法的后期應(yīng)用和推廣做出了有效鋪墊，擁有十分重要的應(yīng)用價值。
　　針對非局部均值算法處理低信噪比信號時出現(xiàn)的故障沖擊均值化問題，提出權(quán)重包絡(luò)譜診斷方法。該方法以NLM算法為基礎(chǔ)，以算法中的加權(quán)運

5、算為核心，提出直接以信號NLM加權(quán)運算后得到的權(quán)值分布曲線作為信號的包絡(luò)線，從信號樣本點權(quán)重的角度壓制噪聲干擾以凸顯信號中的異常故障脈沖，最后對權(quán)值分布曲線包絡(luò)譜分析得到最終的診斷結(jié)果。以滾動軸承仿真數(shù)據(jù)和實驗室數(shù)據(jù)為例，衡量了權(quán)重包絡(luò)譜診斷方法的性能。結(jié)果表明，權(quán)重包絡(luò)譜診斷方法直接以信號權(quán)重為研究對象，比NLM診斷方法省略了濾波、平均化操作及包絡(luò)計算過程，不僅提高了計算效率，而且能夠有效避免NLM診斷方法的均值化問題，適用于處于低信

6、噪比信號的數(shù)據(jù)處理，能夠彌補傳統(tǒng)NLM算法的缺陷。
　　針對權(quán)重包絡(luò)譜診斷方法處理早期微弱故障數(shù)據(jù)效果不佳的問題，提出結(jié)合其他優(yōu)勢算法，融合兩者算法優(yōu)勢，實現(xiàn)算法之間的“優(yōu)勢互補”。權(quán)重包絡(luò)譜診斷方法依賴于信號點加權(quán)運算后的權(quán)重相異性，即故障點與噪聲點的相異性，兩者差異越大則診斷效果越好。因此，提出將最小熵解卷積(Minimum Entropy Deconvolution,簡稱MED)、譜峭度(Spectral Kurtosis,

7、簡稱 SK)和小波包分解(Wavelet Packet Decomposition,簡稱WPD)等方法引入到信號的預(yù)處理中以初步消除噪聲，增大故障點與噪聲點的相異性，再通過權(quán)重包絡(luò)譜診斷方法二次消噪，進而增強故障沖擊特征的凸顯程度。大量數(shù)據(jù)處理結(jié)果表明，該類融合算法可有效解決權(quán)重包絡(luò)譜診斷方法的缺陷，能夠提取出早期微弱故障數(shù)據(jù)中的故障信息，這為滾動軸承的故障特征提取技術(shù)提供了一個新的研究方向。
　　最后簡要闡述了虛擬儀器的基本概念