论文部分内容阅读
柔性薄壁轴承是机器人里谐波减速器中的核心部件,其寿命决定了谐波减速器的寿命,因此其重大或是轻微的故障都会对减速器的精密传动产生致命的影响。为了促进工业机器人或是其核心零件谐波减速器的大力发展,开展对柔性薄壁轴承的振动信号故障特征提取研究至关重要。本课题以柔性薄壁轴承为主要研究对象,针对柔性薄壁轴承故障振动信号具有低秩性,同时夹杂大量噪声及特有的大幅值长短轴交替所产生的周期性冲击分量的特点,提出了基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和基于截断核范数和稀疏正则化的低秩稀疏分解算法(Low Rank Sparse Decomposition and Truncated Nuclear Norm Sparse Regularization,LRSDTNNSR)的故障特征提取方法。首先对CEEMD算法的原理进行介绍,通过仿真实验证明了CEEMD算法相对于经验模态分解(Empirical Mode Decomposition,EMD)及集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的去噪优势。接着介绍了本课题提出的LRSDTNNSR算法的原理及优势。该算法是对原始的低秩稀疏分解算法(Low-Rank and Sparse Decomposition,LRSD)进原理创新及改进,采用截断核范数及提高真实数据的低阶分量的稀疏性来优化LRSD目标函数,同时提出一种两阶段迭代优化方法来解决优化问题。与原始的LRSD算法相比更能准确地恢复低秩分量,同时降低了实施应用的难度。最后进行轴承实验,利用CEEMD算法做预处理,滤除了原始信号中与故障冲击无关的冗余及无关部分,同时放大故障频率段的信号冲击幅值。再利用LRSD-TNNSR算法做进一步处理,准确提取了750rpm及900rpm转速下柔性薄壁轴承具有低秩属性的外圈故障频率128.95Hz、内圈故障频率190.2Hz。结合两种方法的优势,提出了基于CEEMD和LRSD-TNNSR的方法,通过四组轴承振动信号提取对比试验,证明了基于CEEMD和LRSD-TNNSR的方法相比于单独的LRSD-TNNSR方法所提取的故障频率信号更加纯净,故障特征信号更加突出。