高速旋转设备关键部件故障信息提取算法的研究

摘要

高速旋转机械设备是工业上应用广泛的机械设备，被广泛应用于电力、石油、采矿等行业中。滚动轴承是旋转机械设备中最常使用的部件之一，同时它又是一种容易损坏的部件，据统计旋转机械的故障有30％是由滚动轴承的故障引起的。轴承的损伤会导致旋转机械设备产生异常的振动和噪声，严重时甚至造成设备损坏和人员的伤亡。因此对滚动轴承进行状态监测和故障诊断具有十分重要的意义，一直是国内外工程技术领域非常关注的课题。
　　 本文首先简要介绍了高速旋转机械设备和滚动轴承故障诊断的研究目的和意义，对滚动轴承故障诊断的发展现状和常用的故障诊断方法做了较详细说明。然后分析了滚动轴承的构造、故障种类和故障机理，并对其中使用最多的振动分析法进行详细的介绍和分析，包括时域分析、频域分析和时频域分析等方法。在这些算法研究的基础之上，本文具体完成了以下工作：
　　 第一，提出了一种基于相关分析的改进型的小波包算法。小波变换能多尺度地同时提供信号在时域和频谱的局部化信息，是信号处理尤其是非平稳随机信号处理的一种重要的时频手段。其中的小波包分析不仅对信号低频部分进行分解，而且对高频部分也进行分解，是一种较小波分解更为精细的分解方法。人们把小波包分解技术同包络解调技术相结合产生了小波包包络解调技术，并将其应用到机械故障诊断领域中，取得了良好的效果。在使用小波包对振动信号进行分析时，目前多是根据诊断人员经验或各频段重构信号的能量的大小选择几个重构节点进行解调分析，来判断轴承运行状态。本文结合相关分析法提出了一种改进型的小波包算法，在解决节点选择问题的同时，使用自相关对选择节点进行处理，进一步提高分析信号信噪比，在一定程度上提高了滚动轴承故障诊断的准确度。
　　 第二，提出了一种基于Welch功率谱估计一脉冲因子的共振解调算法。共振解调法是目前比较常用的滚动轴承故障诊断方法，它可以获得较高的信噪比。当其某一元件出现局部损伤时，产生的冲击脉冲力会引起振动系统的多个高频固有振动。目前使用软件方法实现共振解调算法时，选择哪个固有振动作为研究对象目前主要靠诊断人员的专业知识和经验。本文提出了一种Welch功率谱估计-脉冲因子相结合的算法，能够较好的解决共振解调算法中带通滤波器中心频率的选择问题。并结合BP神经网络算法，使共振解调算法能够自动的对轴承的运行状况做出有效的识别，具有一定的实际应用价值。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究意义

1.2 国内外相关内容的研究现状

1.2.1 机械故障诊断的研究现状

1.2.2 滚动轴承的故障诊断方法评述

1.2.3 振动信号分析方法概述

1.3 本文主要研究内容

第2章 滚动轴承的故障机理与振动特性分析

2.1 滚动轴承的振动特征

2.1.1 滚动轴承的构造结构

2.1.2 滚动轴承故障的振动机理

2.1.3 滚动轴承的固有振动

2.1.4 滚动轴承的故障缺陷频率

2.2 滚动轴承的故障种类及其频域结构

2.2.1 滚动轴承的故障种类

2.2.2 滚动轴承振动信号的频谱结构

2.3 振动检测流程及实验方案设计

2.3.1 滚动轴承振动检测的基本流程

2.3.2 实验方案设计

2.4.本章小结

第3章 滚动轴承的振动信号分析方法

3.1 时域分析方法

3.2 频域分析方法

3.2.1 倒频谱

3.2.2 Hilbert包络解调

3.3 时频分析方法

3.3.1 短时傅里叶变换

3.3.2 希尔伯特黄变换

3.4 本章小结

第4章 基于相关分析的小波包算法

4.1 小波分析基本理论

4.1.1 连续小波变换

4.1.2 离散小波变换

4.2 小波包分析基本理论

4.3 基于相关分析的小波包算法

4.3.1 自相关函数

4.3.2 基于相关分析的小波包算法

4.4 本章小结

第5章 基于共振解调和神经网络的诊断方法

5.1 共振解调技术原理

5.2 滤波中心频率确定方法的研究

5.3 人工神经网络基本理论

5.3.1 人工神经元模型

5.3.2 神经元学习算法

5.3.3 神经网络的拓扑结构

5.3.4 BP神经网络的设计

5.4 基于BP网络的共振解调算法

5.4.1 输入特征值的选取

5.4.2 网络参数的设置及网络的建立

5.5 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢