相空间重构降噪和CEEMDD-PNN在滚动轴承故障诊断中的应用

摘要

滚动轴承作为精密标准件，因其摩擦系数小，精度高，性价比高，在旋转机械中应用非常广泛。但是，滚动轴承的寿命具有很大的离散性，容易损坏，存在着非常大的安全隐患，近年来，因为滚动轴承的损坏造成重大生命财产损失的事件时有发生。因此，对滚动轴承工作状态进行监测和故障诊断具有很高的实用价值。
　　本文首先对滚动轴承的结构、失效形式、振动机理进行分析，给出故障特征频率计算公式。针对振动信号中掺杂着大量噪声信号，提出了相空间重构降噪理论:通过互信息法和Cao法分别计算相空间重构参数时间延迟和嵌入维数，进行信号重构，然后结合奇异值分解降噪改进方法，达到对目标信号降噪的目的。
　　针对经验模态分解改进算法-总体平均经验模态分解存在缺陷，本文提出了补充的总体平均经验模态分解的方法。通过和传统的经验模态分解和总体平均经验模态分解方法作对比，证明本方法的优越性。
　　把相空间重构降噪理论和总体平均经验模态分解方法相结合，对获得的本征模态分量进行频谱分析，达到对滚动轴承故障进行初步诊断的目的。并且通过对比分析，进一步证明了两种方法结合的优越性。利用希黄变换理论对滚动轴承振动信号进行三维时频谱分析，结果表明:不同类型的滚动轴承故障状态，频率分布区间及幅值分布有很大的不同，因此，划分频率区间，分别提取每个频率区间内的能量值，组成特征向量。分别计算滚动轴承四种工作状态下的特征向量，获得108组样本，为模式识别做准备。
　　对概率神经网络结构、原理进行简要分析，利用训练样本对网络进行训练，达到期望误差要求时，把测试样本导入网络进行故障类型识别。研究结果表明，以不同频率区间能量组成的特征向量和概率神经网络相结合，可以达到很好地故障识别效果，故障模式的识别正确率达到100％。

目录

声明

摘要

第一章 绪论

1．1 课题研究的背景和意义

1．2 滚动轴承故障诊断方法现状及发展趋势

1．3 滚动轴承振动信号故障诊断关键问题的研究现状

1．4 论文的主要思路和结构安排

第二章 滚动轴承的结构及故障机理分析

2．1 滚动轴承的基本结构和分类及主要失效形式

2．1．1 滚动轴承的基本结构

2．1．2 滚动轴承的分类

2．1．3 滚动轴承的失效形式

2．2 滚动轴承振动信号特征与故障特征频率

2．2．1 滚动轴承振动信号分析

2．2．2 滚动轴承的故障特征频率

2．2．3 滚动轴承的固有振动频率

2．3 滚动轴承数据

2．4 本章小结

第三章 相空间重构降噪

3．1 相空间

3．1．1 相空间重构

3．2 相空间重构去噪

3．2．1 相空间重构去噪流程

3．3 时间延迟τ

3．3．1 信息熵简介

3．3．2 互信息法原理求时间延迟τ

3．4 嵌入维数m

3．4．1 Cao法求嵌入维数

3．5 奇异值分解(Singular value decomposition，svD)降噪理论

3．5．1 SVD原理

3．5．2 基于相空间重构和SVD降噪原理

3．5．3 有效秩阶数k的选取

3．6 本章小结

第四章 补充的总体平均经验模态分解

4．1 经验模态分解简介

4．1．1 经验模态分解

4．1．2 IMF筛选判定依据

4．1．3 经验模态分解的优点

4．2 间歇现象与模态混叠现象

4．3 补充的总体平均经验模态分解(CEEMD)

4．3．1 噪声辅助数据分析方法简介

4．3．2 白噪声的特性

4．3．3 CEEMD方法分解流程

4．3．4 CEEMD参数的设置

4．4 CEEMD方法验证

4．5 本章小结

第五章 滚动轴承故障初步诊断与故障特征提取

5．1 凯斯西储大学轴承试验中心简介

5．2 本文所用实验数据

5．3 滚动轴承故障初步诊断

5．3．1 相空间重构降噪

5．3．2 CEEMD分解

5．4 HHT特征提取

5．4．1 希尔伯特(Hilbert)变换定义简述

5．4．2 解析信号Hilbert谱

5．4．3 基于CEEMD的HHT分析方法

5．4．4 特征提取

5．5 本章小结

第六章 概率神经网络在滚动轴承故障诊断中的应用

6．1 人工神经网络简介

6．2 PNN神经网络模型

6．2．1 PNN神经网络结构

6．2．2 PNN神经网络分类原理

6．2．3 PNN神经网络的优点

6．3 基于PNN神经网络的滚动轴承故障诊断

6．3．1 PNN神经网络在滚动轴承故障诊断中的步骤

6．3．2 概率神经网络的构建

6．3．3 基于PNN神经网络的模式识别

6．4 本章小结

第七章 总结与展望

7．1 本文研究工作总结

7．2 工作展望

参考文献

致谢

攻读硕士学位期间发表的学术论文