基于时频分析的滚动轴承故障诊断方法研究

摘要

滚动轴承的故障信号通常具有非平稳性、复杂性、早期故障微弱性等特征，采用传统信号处理技术和单一的特征提取方法难以挖掘振动信号的故障信息。论文以滚动轴承的故障诊断为目的，对混合故障诊断方法以及其工程应用进行了研究。
　　针对滚动轴承故障信号的非平稳性，论文结合小波包分解在处理非平稳信号上的优势提出了基于小波包分解的滚动轴承故障诊断模型。该模型采用小波包分解将振动信号分解成若干相互独立的子频带，分别计算各频带的能量及时域特征，以此作为轴承的故障特征并输入聚类算法对滚动轴承的故障类型进行诊断。通过实验验证，表明该故障诊断模型能够准确地识别滚动轴承的故障模式。
　　滚动轴承故障具有表现形式复杂性、早期故障微弱难以察觉等特点，针对这一问题，论文将集合经验模态分解与排列熵结合，提出了基于集合经验模态分解与多尺度排列熵的故障诊断模型。该模型首先采用集合经验模态分解将振动信号分解成若干本征模态分量，然后求取各本征模态分量在不同尺度上的排列熵，以此作为滚动轴承的故障特征，最后运用聚类算法对滚动轴承的故障进行诊断。实例验证结果显示，该模型不但能准确识别滚动轴承的故障类型而且可以准确识别轴承的故障程度。
　　本论文同时针对模糊C均值聚类算法存在聚类数目需要预先设置、分类准确率较低等问题，提出了一种基于主成份分析的模糊C均值聚类算法。该算法采用主成份分析对特征集进行降维，提取敏感特征，消除冗余特征，以提高分类精度；使用聚类评价指标自适应选取最优聚类数目。为了验证改进方法的有效性，采用国际公认测试聚类算法的数据对改进算法进行验证，结果表明，改进算法的分类精度明显高于未改进算法的分类精度。

目录

声明

1绪论

1.1 课题研究背景与意义

1.2轴承故障诊断的研究现状

1.3 基于时频分析的轴承故障诊断研究现状

1.4 论文研究内容和章节安排

2 滚动轴承故障机理研究

2.1 滚动轴承的主要失效形式

2.2 滚动轴承故障机理

2.3 本章小结

3 时频分析理论

3.1小波变换

3.2 经验模态分解

3.3 本章小结

4 故障诊断模型的研究

4.1 基于小波包分解的故障诊断模型研究

4.2 基于集合经验模态分解与多尺度排列熵的故障诊断模型研究

4.3 本章小结

5 实验分析

5.1 实验说明

5.2 电机转速对故障诊断的影响

5.3 故障类型诊断

5.4 故障程度诊断

5.5 复杂故障诊断

5.6 本章小结

6 结论与展望

6.1 结论

6.2 展望

致谢

参考文献

攻读硕士期间发表论文及参与项目