论文部分内容阅读
滚动轴承是旋转机械最重要的零部件之一,也是最容易发生故障的机械部件,其运行状态直接关系到工业生产的安全。因此,分析滚动轴承振动信号,监测轴承运行状态,进行滚动轴承故障诊断,具有重要的理论研究价值和实际应用价值。滚动轴承运行的动力学行为具有非线性的性质,其产生的振动信号具有明显的非线性和非平稳性,且振动信号受强噪声等影响,大大增加了滚动轴承故障诊断的难度。论文针对基于单通道信息的频谱分析方法存在可靠性低、频谱幅值不突出的问题,围绕滚动轴承振动信号降噪处理、特征提取和故障识别等问题展开研究,解决旋转机械状态监测问题中的信号处理与状态识别等关键问题与技术难点,实现滚动轴承运行状态监测与故障诊断,研究内容如下:(1)针对基于单通道信息的频谱分析方法容易引起信息不全、可靠性低和频谱幅值不突出的问题,提出了EEMD和全矢包络谱相结合的特征提取方法。首先对双通道振动信号进行EEMD分解,然后根据峭度准则选取有效IMF分量重构信号,最后使用全矢包络谱融合双通道重构信号以完成轴承故障特征提取。该方法能够全面、准确地提取出特征频率,实验结果表明,较之单通道频谱分析方法,本文方法具有更高的可靠性。(2)针对根据峭度准则选取IMF分量,存在着分量选取不稳定的问题,提出了多特征选取的EEMD和全矢包络谱相结合的特征提取方法。该方法在EEMD和全矢包络谱的特征提取方法基础上,将峭度值与均方根值相结合构造为多特征指标,用以选取有效分量,避免了由单一指标分量选取方法产生的不稳定。该方法有效解决了IMF分量选取不稳定的问题,实验结果表明,较之单一指标分量选取方法,本文方法具有更高的稳定性和可靠性。(3)针对实际工业过程中滚动轴承振动信号受强噪声干扰,难以提取其故障特征的问题,提出了MCKD-EEMD和全矢包络谱相结合的特征提取方法。该方法在多特征选取的EEMD和全矢包络谱的特征提取方法基础上,将MCKD作为EEMD的前置滤波器,增强振动信号中的故障冲击成分,降低强噪声的影响。实验结果表明,该方法在强噪声背景下有效提取出了滚动轴承故障特征,相比于多特征选取的EEMD和全矢包络谱方法具有一定的优越性。本文以旋转机械中的滚动轴承为研究对象,进行了振动信号降噪处理、特征提取和故障识别等问题的研究,丰富了滚动轴承故障诊断理论的研究内容,具有一定的应用价值。