论文部分内容阅读
针对大型设备逐渐趋于复杂化、一体化、智能化,错综复杂的设备之间的关联与耦合作用愈来愈强,极大影响了设备运行状态监测与故障诊断的有效性,继而给机械故障诊断领域带来了巨大挑战。论文以滚动轴承故障特征提取与智能诊断系统研究为主要研究内容,将局部均值分解(Local Means Decomposition,LMD)作为核心技术,结合非线性动力学理论与人工智能分类技术对上述背景下的滚动轴承故障诊断系统展开研究。针对局部均值分解存在端点效应与模态混叠现象,论文对LMD算法上稍作改进,首先采用基于局部波形积分匹配方法来抑制端点效应,该方法通过三点积分曲线法在信号内部搜索最佳匹配波形,在局部信号端点处采用扩展波形抑制端点效应。针对LMD存在模态混叠问题,提出基于总体均值分解与频率截止方法抑制模态混叠,该方法采用功率谱分析求得原始信号中频率成分最小的信号,再向原始信号中加入等幅值的高斯白噪声,对混合信号进行反复LMD分解,将得到的分量瞬时频域与信号最小截止频率对比,以此作为分量迭代终止条件。通过仿真与实验数据分析,验证所提方法不仅能够改善LMD在端点效应与模态混叠的问题,对于低频伪分量的抑制也有较好的效果。为了简化故障诊断流程,论文在改进的LMD算法的基础上,采用模糊熵对故障特征进行量化处理,从多个角度对原始信号进行深度剖析,提取全面表征故障特征的特征向量,结合具有极强的非线性分类能力的概率神经网络(probabilistic neural network,PNN)实现故障模式识别。最后论文在对LMD自时频信号分析处理方法研究的基础上,利用人机交互能力强的LabView与超强运算分析能力的Matlab进行混合编程,研究开发一套具有高效、准确的滚动轴承智能诊断系统,搭建一套集在线数据采集、数据分析与故障诊断于一体的滚动轴承故障诊断。