论文部分内容阅读
轴承是机械设备中的重要零部件，在机械系统中应用广泛，但轴承失效时往往会影响机械运作，严重时可能会引发机械系统瘫痪，甚至发生伤亡事故给企业带来巨大经济损失。根据统计数据显示，因轴承失效而引发的机械故障在总体机械故障中占有较大比重。因此，对滚动轴承进行早期故障监测，找出故障发生的位置，预测故障发展方向，具有十分重要的意义。轴承故障诊断中的重点：从待处理信号中提取轴承故障特征信息，判断轴承故障类型和故障部位。本文在学习了轴承故障的类型和特征的基础上，针对传统形态学在滚动轴承故障信号处理中，结构元素选取困难，降噪效果不理想等问题，提出了广义差值滤波算法和自适应张量形态学算法。本文的主要研究内容：1、提出了广义形态差值滤波的轴承故障特征提取算法。根据待处理信号的局部特征信息，选取最优结构元素尺度，构建广义差值形态滤波器，可以更好的提取故障特征信息。通过仿真信号和轴承模拟故障实验信号证明了该方法是有效的。2、在广义形态差值滤波算法的基础上，为了进一步提高形态学的降噪和特征提取效果，提出了一种自适应张量形态学的轴承故障特征提取算法。该算法根据待处理信号的局部特征信息，构建张量椭圆结构元素，能取代传统的直线型结构元素和圆盘结构元素。利用张量形态学滤波器对轴承故障信号进行降噪和提取故障特征，在轴承故障中得到了很好的应用效果。3、对比三种形态处理方法在轴承故障特征提取中的优劣，综合分析结果表明：自适应张量形态学在轴承内、外圈故障的特征提取中效果最优，其次是广义差值形态学提取效果，最末的是传统形态学提取效果；而针对轴承滚动体故障信号分析，传统形态学提取效果最优，其次是自适应张量形态学和广义差值形态学。