论文部分内容阅读
旋转机械装备在工业生产中应用广泛,滚动轴承作为旋转机械装备中必不可少且易发生故障的零部件之一,其运行状态对于工业生产的安全运转至关重要。由于实际应用中滚动轴承受工况条件及自身结构的影响,其产生的振动信号呈现出非线性、非平稳性的特点,且包含故障信息的冲击成分常常被噪声所淹没,使得故障特征微弱,提取困难。因此,对滚动轴承进行微弱故障诊断具有重大的现实意义。本文围绕滚动轴承微弱故障的信号特征增强、特征提取、故障识别等问题展开研究,主要研究内容包括以下几个部分:(1)针对滚动轴承在噪声背景下故障信号微弱、故障特征难以提取的问题,研究了基于最小熵解卷积(Minimum Entropy Deconvolution,MED)和互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)的微弱故障特征提取方法。首先利用MED方法能够增强信号中冲击特征的优点,将MED作为CEEMD分解的前置滤波器,滤除噪声干扰并增强冲击特征,然后对降噪后的信号进行CEEMD分析,最后分析信号的Teager能量谱,提取微弱故障特征信息。通过仿真实验分析,验证了该方法的有效性。(2)针对MED主要突出信号中尖的脉冲,忽略冲击成分周期性的问题,研究了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)的微弱故障特征提取方法。MCKD注重信号中冲击成分的连续性和周期性,突出被噪声干扰的连续脉冲成分,并与CEEMDAN方法相结合实现滚动轴承微弱故障特征的提取。经仿真实验分析,该方法能够有效地提取出滚动轴承的微弱故障特征信息。(3)针对滚动轴承故障类型识别的问题,研究了基于多尺度排列熵(Multiscale Permutation Entropy,MPE)和极限学习机(Extreme Learning Machine,ELM)的滚动轴承故障诊断方法。该方法在基于MCKD和CEEMDAN的微弱故障特征提取方法的基础上,利用MPE在信息提取方面的优点,将MPE值作为特征向量输入到极限学习机里进行轴承故障类型识别。仿真实验结果表明,该方法可有效实现滚动轴承故障类型诊断。