基于时频分析与智能算法的滚动轴承智能诊断方法

摘要

滚动轴承作为机械设备最常用的零部件之一，它的健康状态影响着设备的工作性能。因此，滚动轴承状态监测和故障诊断一直是国内外故障诊断领域的关注重点。
　　本文首先阐述了传统时频分析工具 Wigner-Ville分布的定义和性质，并利用 WVD分布提取特征信息，针对利用Wigner-Ville分布对轴承振动信号进行特征提取后得到二维矩阵维数较高的问题，利用 SVD进行二次特征提取转换为一维矩阵向量，并结合主成分分析对进行降维，依照所需累计贡献率阈值选取前10维构成特征向量，输入到BP神经网络进行自动识别。实验结果表明，该智能诊断方法能够以较满意的精度识别滚动轴承故障类型。
　　针对传统时频WVD会在处理多分量信号时产生交叉项干扰的问题，提出一种新的时频分析工具S变换处理滚动轴承故障时的非平稳信号。对来自郑州铁路局某货车滚动轴承故障TADS探测站检测到的内圈和外圈故障轴承声音信号采用S变换得到时频图，从时频图像可以清晰地发现轴承外圈振动信号中的冲击成分，并能剖析振动信号频率成分随时间变化情况。基于S变换较好的时频特性，提出利用S变换提取故障信号特征，对原始信号进行S变换后采用SVD将二维矩阵转换为一维特征向量，然后结合一种新的非线性流行学习方法局部保持投影对特征进行降维，将降维后的特征输入到径向基神经网络自动诊断。实验结果表明，该智能诊断方法能够完全正确地诊断出滚动轴承故障类型，具有较高的可靠性。
　　为满足工程实际中变载荷工况下滚动轴承智能诊断的需要，提出了一种基于包络小波标准偏差包的智能诊断方法。滚动轴承振动信号的包络信号能够有效反映其故障类型的本质，同时对包络信号进行小波包分解提取各频带上的标准偏差值，能够有效反映信号频率特征的时变特性，并能对变载荷工况具有鲁棒性。对原始信号的包络信号采用3层小波包分解提取各频带信号的标准偏差值构成特征向量，输入支持向量机用于进行智能诊断。实验结果表明，本文提出的基于包络小波标准偏差包的变载荷工况下滚动轴承智能诊断方法能够以较高的诊断精度和较快的速度对滚动轴承故障类型进行诊断。

目录

封面

声明

中文摘要

英文摘要

目录

主要符号说明

第一章 绪论

1.1 课题的来源

1.2 课题的意义

1.3 课题的背景

第二章 基于WVD和BP神经网络的智能诊断

2.1 传统的滚动轴承故障特征提取方法

2.2 Wigner-Ville分布的定义和性质

2.3 奇异值分解的定义和性质

2.4 BP神经网络

2.5 基于WVD和BPNN的故障诊断模型

2.6 本章小结

第三章 基于S变换和LPP的智能诊断方法

3.1 S变换

3.2 局部保持投影

3.3 径向基神经网络

3.4 基于S变换和LPP的智能诊断模型

3.5 本章小结

第四章 变载荷工况下的滚动轴承智能诊断方法

4.1 引言

4.2 变载荷工况鲁棒的特征提取

4.3 支持向量机

4.4 变载荷工况下智能诊断模型

4.5 实验研究

4.6 本章小结

第五章 总结与展望

参考文献

个人简历

致谢