基于盲源分离和多尺度熵(MSE)的滚动轴承故障诊断

摘要

滚动轴承是许多机械设备的重要部件之一，其能否正常运行关系到机械设备的正常与否。传统滚动轴承故障诊断方法常常忽略传感器采集的振动信号是多个源信号混合的事实，直接采用适用于平稳信号分析的傅里叶变换对非平稳振动信号进行处理，难以全面、准确地分析源信号所包含的故障类型。针对传统滚动轴承故障诊断技术的不足，本文提出基于盲源分离和多尺度熵的滚动轴承故障诊断方法。
　　滚动轴承作为一种精密元件，当轴承某一部件出现异常时，轴承其他部件往往会产生连锁反应，传感器采集到的振动数据往往是多个部件异常振动的叠加。为了更加精准地识别各个异常情况，本文提出基于盲源分离的单通道振动信号分离方法，该方法利用极点对称模态分解将欠定盲源分离问题转换为正定盲源分离问题，然后采用基于时频分析的盲源分离方法分离源信号。仿真结果表明，该方法分离出的源信号与实际源信号相关系数分别达到0.9771、0.9784、0.9660，能够以较高的分离精度将单个多源混合信号逐一分离出来。
　　针对分离信号的特征提取，提出采用经验模态分解和多尺度熵方法来提取分离信号的特征量。经验模态分解方法在使用过程中，常常受到端点效应的影响。针对经验模态分解方法端点效应问题，提出基于波形平均的端点效应抑制方法，根据信号自身特性来延拓信号，具有较好的自适应性，能够较好地抑制经验模态分解端点效应。为了有效识别故障类型，采用 BP神经网络对故障进行辨识。实验结果表明，本文提出的滚动轴承故障诊断方法对轴承内圈故障、外圈故障以及正常状态的识别率分别达到97％、86%、90%，在一定程度上能够有效识别滚动轴承的故障类型。
　　本文采用 C＃和 MATLAB混合编程技术，开发了一套滚动轴承离线故障诊断分析软件。该软件通过对实际滚动轴承振动信号的分析，进一步验证了本文方法在实际应用中的有效性。

目录

声明

1 绪论

1.1 滚动轴承故障诊断的意义

1.2 滚动轴承故障诊断技术的发展概况

1.3 盲源分离和熵的发展概况

1.4 论文主要研究工作

2 滚动轴承故障机理分析与实验平台

2.1 滚动轴承故障的主要形式与原因

2.2 滚动轴承的基本结构与特征频率分析

2.3 滚动轴承故障诊断平台

2.4 本章小结

3 基于盲源分离的单通道振动信号分离方法

3.1 极点对称模态分解方法

3.2 源信号个数估计及最优观察信号选取

3.3 基于时频分析的盲源分离方法

3.4 仿真及实验数据分析

3.5 本章小结

4 基于经验模态分解和多尺度熵的滚动轴承故障诊断

4.1 基于经验模态分解的滚动轴承振动信号分解

4.2 基于多尺度熵的信号特征提取

4.3 基于BP神经网络的滚动轴承故障识别

4.4 本章小结

5 基于C#和MATLAB的滚动轴承故障诊断软件实现

5.1 软件平台框架结构

5.2 滚动轴承离线故障诊断分析软件功能设计

5.3 本章小结

结论

1.研究工作总结

2．后续工作设想

致谢

参考文献

攻读硕士学位期间发表的学术论文及研究成果