基于声发射技术的超低速滚动轴承故障诊断研究

摘要

作为各种旋转机械设备中广泛应用的机械部件，滚动轴承运行状态正常与否直接影响着整台机械设备的性能和安全。与常规轴承不同，大型重工业机械设备中使用的超低速滚动轴承，其结构和工作环境复杂，且往往承受较大的载荷，一旦发生故障，需花费大量的时间和精力去检修更换，造成较大的经济损失。因此，对超低速滚动轴承进行状态监测和早期故障诊断具有重要意义。 声发射(Acoustic Emission,AE)技术是一种灵敏度高，且对动态缺陷敏感的新型动态检测技术，广泛应用于机械故障诊断领域。然而，由于超低速滚动轴承AE信号的非平稳性、不确定性和复杂性等特点，使得从AE信号中提取故障特征信息成为AE诊断的关键和难点。因此，本文以超低速滚动轴承为研究对象，通过电火花和线切割技术分别在滚动轴承的内圈和滚动体上预制了不同类型的缺陷(点蚀和裂纹)，在模拟试验台上采集相应的AE信号，采用不同的信号处理方法对其进行分析。针对超低速滚动轴承的特征提取问题，分别研究了基于自适应噪声的完备集合经验模态分解(Compelete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)-能量熵和改进的变分模态分解(Improved Variational Mode Decomposition,IVMD)-样本熵的故障特征提取方法。针对故障模式识别与分类，建立了深度信念网络(Deep Belief Network,DBN)模型，对其进行故障诊断。 将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和CEEMDAN方法应用于超低速滚动轴承AE信号处理中，与EEMD方法相比，CEEMDAN方法改善了分解的完备性，且具有较好的抗模态混叠性。利用相关系数和方差贡献率选取CEEMDAN分解的敏感固有模态函数(Intrinsic Mode Function,IMF)分量，计算其能量熵作为BP神经网络的特征向量进行模式识别，平均准确率高达94.13%，诊断效果较好。而将EEMD分解的敏感IMF分量能量熵作为BP神经网络特征参数的识别准确率仅为87.13%。 采用改进的VMD样本熵方法对超低速滚动轴承的AE信号进行特征提取。对采集的AE信号进行EMD分解，利用相关系数和方差贡献率提取敏感IMF分量进行信号的重构；然后将敏感IMF分量数目作为VMD的模式数对重构信号进行VMD分解；并计算VMD分解的IMF分量样本熵作为BP神经网络的特征向量进行故障模式的识别与分类，识别准确率高达94.27%。此外，将改进的VMD能量熵和近似熵分别作为BP神经网络的特征向量，识别准确率为83.33%和90.67%，均低于样本熵作为特征向量的识别结果。 建立DBN模型，对超低速滚动轴承进行故障诊断。DBN模型的训练迭代次数对其分类性能有较大的影响，随着迭代次数的增加，其识别准确率呈先增高再降低的趋势，表明迭代次数过多并不利于识别效果的提高。将EEMD和CEEMDAN分解的前9阶IMF分量能量熵分别作为DBN模式识别分类器的特征向量进行模式识别，两者的识别准确率均达到了90%以上，表明了DBN方法在超低速滚动轴承故障诊断中的有效性。其中，CEEMDAN能量熵作为特征参数的平均准确率高达99.33%，EEMD能量熵作为DBN模型输入向量的识别准确率仅为90.80%，明显低于CEEMDAN能量熵作为特征参数的识别率，说明故障特征的提取对DBN的性能也存在很大的影响。与经典的BP神经网络模式识别方法相比，DBN模型的深层结构能够更充分地学习数据集的特征信息，识别准确率更高，且稳定性较好。

目录

声明

第1章 绪论

1.1课题研究背景及意义

1.2超低速滚动轴承故障诊断综述

1.2.1 超低速滚动轴承常见故障形式

1.2.2 常规滚动轴承故障诊断方法

1.2.3 超低速滚动轴承故障诊断难点

1.3 声发射技术在滚动轴承故障诊断中的应用

1.3.1 AE检测技术基本原理

1.3.2 滚动轴承AE信号产生机理

1.3.3 滚动轴承AE信号特性

1.4 超低速滚动轴承故障AE诊断技术研究现状

1.4.1 滚动轴承AE信号特征提取方法研究现状

1.4.2 滚动轴承故障模式识别方法研究现状

1.5 本领域存在的关键技术问题

1.6 本文研究内容与结构安排

第2章 超低速滚动轴承声发射检测实验

2.1 引言

2.2 超低速滚动轴承AE检测实验平台

2.3 超低速滚动轴承AE信号采集系统

2.4 实验方案与步骤

2.4.1 实验方案

2.4.2 实验步骤

2.5 初步实验结果

2.6 本章小结

第3章 基于CEEMDAN-能量熵的超低速滚动轴承故障特征提取方法研究

3.1 引言

3.2 基本理论

3.2.1 CEEMDAN原理

3.2.2 CEEMDAN算法

3.2.3 CEEMDAN能量熵

3.3 敏感固有模态分量的选取原则

3.4 基于CEEMDAN-能量熵的超低速滚动轴承故障特征提取方法

3.5 实验分析

3.5.1 轴承AE信号EEMD和CEEMDAN分解

3.5.2 敏感固有模态分量的选取

3.5.3 CEEMDAN能量熵向量构造

3.5.4 故障诊断性能分析

3.6 本章小结

第4章 基于改进的VMD-样本熵的超低速滚动轴承故障特征提取方法研究

4.1 引言

4.2 基本理论

4.2.1 VMD原理及算法

4.2.2 改进的VMD原理

4.2.3 样本熵

4.3 基于IVMD-样本熵的超低速滚动轴承故障特征提取方法

4.4 实验分析

4.4.1 轴承AE信号EMD分解

4.4.2敏感固有模态分量的选取及信号重构

4.4.3 重构信号VMD分解及特征提取

4.4.4 故障诊断性能分析

4.5 本章小结

第5章 基于DBN的超低速滚动轴承故障诊断方法研究

5.1 引言

5.2 深度信念网络

5.2.1 RBM的原理

5.2.2 DBN的训练

5.3 基于CEEMDAN能量熵-DBN的超低速滚动轴承故障诊断

5.3.1 实验数据

5.3.2参数设定

5.3.3 训练迭代次数和隐层神经元个数对DBN模型性能的影响

5.3.4与其他经典方法比较

5. 4 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间所发表的论文