论文部分内容阅读
滚动轴承是机械设备中最常用的部件之一,因此研究滚动轴承这类典型的旋转机械设备的监测与故障诊断方法具有重要意义。在机械设备运行中,滚动轴承出现故障时,滚动轴承的振动信号包含有丰富的故障信息,如何运用现代信号处理的方法提取故障信号中的故障特征,一直是故障诊断领域的研究热点。时频分析方法一直是机械故障诊断中应用广泛的一种分析工具。随着现代信号处理方法的发展,出现了一些新的时频分析方法,因此对其进行研究也具有重要的价值。本文在基于研究了非平稳性时频分析方法的基础上,引入了局部均值分解方法,采用改进局部均值分解方法与神经网络、支持向量机相结合的方法,最终实现对滚动轴承的智能故障诊断。本文主要研究内容如下：1)研究了传统时频分析方法在非平稳信号分析中的应用。在研究短时傅里叶变换、Wigner-Ville分布、小波变换以及Hilbert-Huang变换的基础上,引入基于小波包和Hilbert包络谱共振解调方法,以及基于Hilbert-Huang变换的方法,实现对滚动轴承的故障诊断,后者是通过Hilbert边际谱来提取滚动轴承的故障特征,进而判定滚动轴承的故障类型的。2)重点研究了一种新的时频分析方法---局部均值分解方法,对算法原理作了分析,并对算法计算过程作了仿真分析,重点研究了瞬时相位的展开方法与瞬时频率的求取方法。研究了LMD方法和EMD方法的差异,仿真分析LMD方法并应用于滚动轴承故障特征提取。针对LMD方法的模式混淆问题,提出总体局部均值分解(ELMD)方法,仿真对比研究LMD方法和ELMD方法。3)与结合神经网络相结合,提出一种基于ELMD和神经网络的滚动轴承故障诊断方法,采用ELMD方法作为预处理器提取滚动轴承的峭度系数和能量特征参数,构造特征向量,输入到BP神经网络进行故障分类识别。与小波包分解作预处理器进行了对比,通过对滚动轴承信号的实例分析,验证了该方法的有效性实用性。4)与支持向量机相结合,提出一种基于ELMD和最小二乘支持向量机的滚动轴承故障诊断方法,运用ELMD方法提取特征,构造故障特征向量。采用该方法对滚动轴承的工作状态和故障类型进行自动分类识别,通过对滚动轴承的实例分析,表明了该方法的有效性。