基于声音信号的轴承故障诊断方法研究

摘要

滚动轴承是机械的重要组成部件之一，在工业中起着重要的作用。同时滚动轴承也是机器中极易损坏的元件之一。对滚动轴承的故障预测和诊断技术是近年来国内外研究的热点。声音包含了轴承在运转过程中产生的大量丰富的状态信号，由于它采集比较容易，属于非接触式测取，设备简单，速度快，无须事先粘贴传感器，且不影响设备，因此本文将轴承故障的声音信号作为信息源，研究了轴承表面损伤时声音信号的故障模型和诊断方法。 针对单一故障模型，本文研究了人工诊断和智能诊断两种诊断方案。在人工诊断方案的分析中，对小波变换结合包络分析的人工诊断方法进行了改进，对小波分解重构的每层高频细节信号进行包络谱分析，有效提高了诊断准确率，且该方法的实时性较好，可应用于工程实际。考虑到人工诊断的主观性，采用BP(BackPropagation)神经网络的智能诊断方法，对小波神经网络及小波包神经网络的诊断效果进行了综合比较，认为小波神经网络性能较好。对比智能诊断与人工诊断方法，智能诊断方法略优于人工诊断方法，但智能方法需要大量样本预先学习，人工方法可依据谱图直接诊断，因此应用中可将两种方法比较分析，相互补充。 声音信号虽然能够提供较多的滚动轴承故障信息，但是由于故障信号经常与正常信号混在一起，往往不易清晰地判别出故障。而在源统计独立的条件下，可以采用快速独立分量分析算法分离出各个独立源信号，进一步运用单一故障模型方法能成功诊断故障。而故障轴承的声信号为源相关信号，应用标准的独立分量分析受到限制。本文提出基于不同先验知识的MSD-ICA-EA分析方法，在强先验知识下直接对分离出的独立子带信号运用包络分析方法诊断轴承故障;若为弱先验知识，应用改善的子带独立性近似判断准则判断出独立子带，然后对该子带对应的分离信号同样采取包络分析方法进行分析。实验证明该方法较好地解决了轴承的源相关损伤类复合故障的诊断问题。

目录

文摘

英文文摘

声明

1 绪论

1.1轴承的故障诊断技术

1.2声学故障诊断法研究概况

1.3论文的主要研究内容

2滚动轴承故障检测理论及其机理

2.1 滚动轴承故障检测机理及故障类型

2.2滚动轴承故障模型分类

2.3本章小结

3 小波变换结合包络分析的人工诊断

3.1 信号的传统分析方法

3.2小波分析理论

3.3传统分析方法的不足

3.4小波变换结合包络分析的分析方法及改进

3.5实验部分

3.6本章小结

4基于小波及小波包神经网络的智能诊断

4.1 BP神经网络

4.2小波神经网络及小波包神经网络应用于故障识别

4.3本章小结

5盲源分离在复合信号分离诊断中的应用

5.1单一故障模型方法直接用于混合信号的故障诊断

5.2基于小波神经网络的故障识别

5.3 MSD-ICA扩展分析方法

5.4本章小结

结 论

参考文献

致谢