滚动轴承故障特征提取与早期诊断方法研究

摘要

滚动轴承是旋转机械中广泛应用的零部件之一，其安全运行与否对整个设备有至关重要的影响。本文以滚动轴承为研究对象，在总结滚动轴承现有故障诊断技术的基础上，采用现代信号处理技术，对滚动轴承的特征提取、早期故障检测和早期故障位置识别展开研究工作。本文的主要研究内容如下：
　　(1)针对滚动轴承不同故障类型的振动信号所呈现的复杂度不同的特点，提出了基于多尺度符号动力学熵(MSDE)的滚动轴承故障位置特征提取方法。符号动力学熵在符号动力学滤波(SDF)的基础上，构建符号序列的状态模式矩阵和状态迁移矩阵，极大保留振动信号的故障信息。经过四种仿真信号测试，验证了符号动力学熵能够有效辨别信号动力学特性变化，并具有较高的计算效率。结合多尺度分析的概念，提出了MSDE的特征提取方法，使其能够在不同尺度下描述信号的复杂度。同时采用最大相关最小冗余进行特征优选和最小二乘支持向量机进行模式识别，经实验数据测试，基于MSDE的特征提取方法具有较高的识别精度和计算效率，实现了滚动轴承不同故障位置的准确区分。
　　(2)针对多尺度模糊熵(MFE)对滚动轴承故障损伤程度特征提取能力不足的问题，提出了基于层次模糊熵(HFE)的特征提取方法。针对MFE中多尺度分析的缺点，提出了基于HFE的滚动轴承特征提取方法。层次分析能够同时提取信号中低频部分和高频部分隐藏的故障信息。通过白噪声和粉红噪声的测试， HFE能够更准确、全面描述时间序列复杂度的变化，且具有更好的稳定性。然后采用拉普拉斯分值对特征进行优选，并结合二叉树支持向量机实现滚动轴承不同故障程度的识别。同 MFE方法进行对比分析表明基于 HFE所提取的特征向量具有良好的可分性，实现了滚动轴承不同故障程度的准确区分。
　　(3)为实现滚动轴承的早期故障检测，提出了基于SDF的性能监测指标M。监测指标M的计算过程不依赖于轴承的故障样本数据，且与有效值和峭度因子相比，监测指标 M对轴承早期故障具有较高的敏感性和稳定性。将监测指标M与累积和相结合来完成轴承早期故障的报警，经两次轴承加速全寿命实验的测试，该方法能够有效地检测出轴承的早期故障。
　　(4)针对滚动轴承早期故障特征极其微弱的问题，提出了基于内禀特征尺度分解(ICD)与优化品质因子的共振稀疏分解(ORSSD)的滚动轴承早期故障诊断方法。为了降低噪声的干扰，在总结局部均值分解(LMD)方法和本征时间尺度分解(ITD)方法优势的基础上，提出了ICD分解方法。以仿真信号为例，比较了ICD和LMD的分解性能。分析结果表明ICD具有更高的分解精度和计算效率，更加适合于分解滚动轴承的振动信号。针对共振稀疏分解中品质因子Q难以确定的问题，引入了特征频率比(CFR)进行品质因子 Q的优选，根据最大的CFR值找出最优的高品质因子 QH和低品质因子QL。将ICD与ORSSD相结合，提出了一种基于 ICD和 ORSSD的滚动轴承早期故障位置的识别方法。经仿真与实验信号测试，该方法能够有效提取早期故障特征，完成滚动轴承的早期故障诊断。

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 滚动轴承故障振动信号特性分析基础

1.3 课题相关方法国内外研究概况

1.4 本文主要组织结构与研究内容

第2章 基于多尺度符号动力学熵的滚动轴承故障位置特征提取方法

2.1 引言

2.2 多尺度熵和多尺度排列熵

2.3 多尺度符号动力学熵

2.4 基于多尺度符号动力学熵和 mRMR 的故障位置特征提取方法

2.5 实验验证和分析

2.6 本章小结

第3章 基于层次模糊熵的滚动轴承故障程度特征提取方法

3.1 引言

3.2 多尺度模糊熵

3.3 层次模糊熵

3.4 基于层次模糊熵和LS的故障程度特征提取方法

3.5 本章小结

第4章 滚动轴承的早期故障模型与早期故障检测

4.1 引言

4.2 滚动轴承单点早期故障的理论模型

4.3 滚动轴承早期异常检测

4.4实验验证和分析

4.5 本章小结

第5章 内禀特征尺度分解与共振稀疏分解的轴承早期故障诊断

5.1 引言

5.2 内禀特征尺度分解方法

5.3 优选品质因子的共振稀疏分解方法

5.4 基于ICD与ORSSD的滚动轴承早期故障诊断

5.5实验验证和分析

5.6 本章小结

结论

参考文献

攻读博士学位期间发表的学术论文

声明

致谢

个人简历