论文部分内容阅读
滚动轴承是自动倾斜器的核心组成元件之一，它的工作状态直接决定了自动倾斜器的工作性能，进而影响直升机的安全飞行，所以对其轴承故障诊断方法研究，对保障直升机安全飞行具有重要意义。本文在航空科学基金和横向课题自动倾斜器滚动轴承故障诊断项目资助下，采用振动信号分析法，对自动倾斜器轴承故障诊断方法进行了深入研究，主要工作内容和研究成果如下：(1)进行了振动信号降噪方法对比研究。针对轴承产生的非线性非平稳振动信号，首先介绍了小波包降噪方法和形态滤波方法；其次，仿真非线性非平稳信号并对其加入随机噪声；再次，采用小波包降噪方法和形态滤波方法分别对其降噪，并计算降噪后信号的信噪比；最后，对两种方法降噪后信号的信噪比进行对比分析。通过仿真实验知，本文采用的复合形态滤波方法降噪效果最优。(2)提出了周期能量特征和优化的LMD特征提取方法。根据轴承产生的故障信号具有周期性特点并且轴承各类故障的周期能量处于不同范围，本文提出了周期能量特征提取方法；根据LMD方法提取的各类故障特征间存在间隔不均衡和特征值波动缺陷，本文结合特征优化方法，提出了优化的LMD特征提取方法。关于周期能量特征和优化的LMD特征提取方法，首先以一个周期采样点数为标准，对振动信号进行截取；其次，提取截取信号的周期能量特征以及LMD分解后各PF分量特征；再次，对周期能量特征和各PF分量特征进行归一化；最后，采用u律压扩和三点滑动平均特征优化方法对周期能量特征和LMD特征进行优化处理。通过周期能量特征和优化的LMD特征提取实例分析，证明了本文方法的有效性。(3)将周期能量特征和优化的LMD特征提取方法与RBF神经网络进行结合，提出了基于周期能量特征与优化的LMD特征相结合的滚动轴承故障诊断方法。首先，采用复合形态滤波方法对轴承的各种状态振动信号进行降噪；其次，对经过降噪的故障信号进行周期能量特征和优化的LMD特征提取；再次，搭建RBF神经网络并对其训练，训练直至目标精度为止；最后，采用已训练好的网络，对轴承的内圈故障、外圈故障、滚珠故障和正常，即四种状态进行识别分类。通过最终的故障识别实验，进一步证明了本文方法的有效性。