论文部分内容阅读
滚动轴承是旋转机械中应用广泛,同时也是易损零件之一。由于滚动轴承特定的使用环境,造成其寿命的随机性较大,目前还无法准确预测其寿命的长短,但它的运行状态直接影响到整个机械设备的状态。据统计,在旋转机械的故障中,有30%是由滚动轴承故障引起的。对滚动轴承进行状态监测及故障诊断能及时发现故障,能有效保护工厂财产及工人人身安全。因此,研究滚动轴承故障诊断技术有很重要的现实意义。振动检测法是现在滚动轴承故障诊断研究和应用的主流。由于滚动轴承本身在工作时必然伴随旋转而产生振动,其运行状况的好坏往往直接反映在振动信号中,而且振动信号测试简单、直观。通过测量、分析轴承的振动信号来判断轴承状态、进行故障诊断方便可靠。模糊神经网络系统是近年来计算机智能领域中一个新的研究方向。它融合了神经网络和模糊系统的各自优点,将模糊推理系统架构于神经网络上,充分发挥模型对于系统不确定性与不精确性的处理能力,同时具有自我学习与组织能力,能够调整模型的参数,因此被用于滚动轴承的故障诊断。本文提出了一种基于频带能量和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法。通过对滚动轴承振动信号进行时域分析,提取频段能量参数,实时判断滚动轴承故障状态,然后再利用ANFIS作为分类器进行故障模式识别。利用ANFIS进行滚动轴承故障诊断,可以降低对操作人员的专业知识的要求,将故障诊断从传统方法转向人工智能方向。同时,诊断系统中智能技术的应用能大大降低维修人员工作强度。利用虚拟仪器设计开发了振动信号采集系统。同时结合LabVIEW和MATLAB两款软件的特点,开发了采用两者混合编程的滚动轴承故障诊断系统。通过对实测的齿轮减速机滚动轴承故障信号数据进行验证。结果表明,本文设计的基于模糊与虚拟仪器的滚动轴承故障诊断系统具有可靠、实用等特点。