滚动轴承是机械设备中最常用的部件之一,因此,对滚动轴承故障诊断的研究十分重要。当轴承某一元件表面出现局部损伤时,在受载运行过程中要周期性地撞击与之相互作用的其他元件表面而产生周期性的冲击脉冲力。由于冲击脉冲力的频带很宽,会覆盖轴承系统的各个固有频率,所以该脉冲力同理想脉冲一样必然激起轴承系统的各个固有振动。这样,原来的平稳振动信号变成了非平稳振动信号。Fourier变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征。因此它不适应非平稳信号的分析;而窗口傅立叶变换尽管在时域和频域均具有一定的局部化特征,但其局部化却是固定不变的。小波分析能多尺度地同时提供信号在时域和频域的局部化信息,因而成为信号处理尤其是非平稳信号处理的重要手段。针对基于小波包分析的滚动轴承故障诊断,本文主要在以下几方面展开研究: 1.系统地介绍了滚动轴承的振动机理及其典型故障的振动特征; 2.细致地阐述了小波分析的基本理论及其在信号处理中的应用,引进了移频算法的小波包分解和重构以克服Mallat算法中的频率混迭现象,使分解系列的排列顺序与频带的划分顺序一一对应。 3.阐述了基于小波包分解与重构的细化包络解调和时延相关解调的原理,分别用这两种解调法对滚动轴承几种典型故障进行了诊断,并比较了它们的诊断结果。实验结果表明,在滚动轴承故障诊断中时延相关解调与包络解调相比,噪声影响大幅减小,故障信息得以凸现。 4.介绍了利用BP神经网络进行故障诊断的原理及其步骤,针对BP算法存在的不足,本文采用了动量法和学习速率自适应调整的策略对BP算法进行改进同时,利用小波包分解与重构提取滚动轴承振动信号的特征,然后由BP神经网络进行故障诊断。实验结果表明了这一方法的可行性和有效性。