滚动轴承振动信号的特征提取与故障诊断研究

摘要

滚动轴承由于摩擦阻力小，润滑简便，更换容易等种种优势成为了旋转机械中应用最为广泛的零件，滚动轴承状态的正常与否对设备的运行有着十分重要的意义，因此，对于滚动轴承故障诊断方法的研究就显得十分必要了。而一些现有的信号分析方法，如傅里叶变换、小波分析、盲源分离、Hilbert-Huang变换和高阶统计量分析等，对非平稳信号都有很好的效果，但是目前也都存在一些未能克服的缺陷与不足。要想更好地对滚动轴承的振动信号进行分析，除了改进现有的信号分析方法之外，还可以引进一些在其他领域应用的很好的新方法。
　　本文首先将统计学中的概率密度应用到滚动轴承的特征提取之中，在发现现有软件中的概率密度估计方法对滚动轴承的特征信息提取效果欠佳后，针对现有软件中概率密度估计方法的不足，按照其原始定义，实现了概率密度的准确计算，并且进一步提取出了滚动轴承的特征信息。其次，在概率密度之后，进一步计算得出多重分形谱图，并从中提取出多重分形参数作为滚动轴承的特征向量。在分别利用两种方法提取出滚动轴承的特征之后，再通过支持向量机实现了滚动轴承各种状态的分类识别，但是当滚动轴承的故障状态增加时，与概率密度方法相比，多重分形算法的分类效果就要略差一点。因此，在确定了概率密度算法对于滚动轴承故障诊断的优势之后，为了进一步提高分类正确率，在得到信号概率密度值的基础上，通过计算相关统计量的值，提取出了滚动轴承更为具体的故障特征信息，实现了滚动轴承故障严重程度的良好识别，提出了一种行之有效的滚动轴承故障诊断方法。

目录

声明

摘要

1．1 课题研究意义

1．2 国内外研究现状

1．2．1 振动信号处理方法

1．2．2 故障诊断方法

1．3 本文主要研究内容和结构安排

第2章 基于概率密度的滚动轴承故障特征提取

2．1 概率密度定义

2．2 概率密度估计方法及其存在的问题

2．2．1 MATLAB实现及其存在的问题

2．2．2 LabVIEW实现及其存在的问题

2．3 概率密度估计的新方法及程序实现

2．3．1 概率密度估计新方法

2．3．2 概率密度估计新方法程序实现

2．4 基于概率密度的滚动轴承故障特征提取

2．4．1 实验数据

2．4．2 滚动轴承故障特征提取

2．5 本章小结

第3章 基于多重分形的滚动轴承故障特征提取

3．1 多重分形

3．1．1 多重分形模型

3．1．2 盒子法多重分形算法

3．1．3 多重分形参数

3．2 多重分形法分析

3．2．1 多重分形计算

3．2．2 多重分形特性与采样长度的关系

3．2．3 多重分形特性与采样频率的关系

3．3 基于多重分形的滚动轴承故障特征提取

3．4 本章小结

第4章 滚动轴承的故障诊断

4．1 支持向量机

4．2 基于概率密度的滚动轴承故障诊断

4．3 基于多重分形的滚动轴承故障诊断

4．4 基于概率密度和支持向量机的滚动轴承故障诊断

4．4．1 故障特征再提取

4．4．2 滚动轴承故障严重程度分类

4．5 本章小结

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢