论文部分内容阅读
在旋转机械中,轴承的失效可能会引起系统故障。到目前为止,有很多基于振动的方法来监测轴承状态,在这些方法中都很少考虑到轴承振动的自身特性。在学位论文中,对正常轴承系统进行了研究分析,对轴承振动的不同类型有了全新的认识。在研究过程中,将轴承的滚动体与滚道之间的接触设定为非线性弹簧,将系统转换成一个2-自由度模型。通过研究分析确定了内圈的振动特性主要取决于轴承的内间隙。轴承故障产生的周期行为会影响到它的混沌行为,并在庞加莱映射中得以体现。同时,混沌的监测指标如李雅普诺夫指数、关联维数以及归一化信息熵都会发生变化。为了比较故障诊断技术中监测指标的灵敏度和鲁棒性,进行了全面的实验分析。实验结果也充分说明了关联维数、归一化信息熵和小波近似最大系数是轴承故障监测的可靠指标。在论文中,提出了模糊神经诊断系统。为了提高轴承故障诊断的可靠性,在新的诊断系统中,对上述的监测指标进行整合。同时,基于自适应模糊神经推理系统,提出了轴承预测方案,结合事先约定好的逻辑准则,通过理论与实验研究,证实了这种预测方案可以用来评估轴承的下一步工作状态。并通过实验验证了该预测方案在变转速和变载荷工况下的有效性和可靠性。通过本学位论文的研究,主要成果总结如下:1)证实了轴承运动平衡点的个数取决于轴承内间隙。小间隙轴承存在着周期运动,并具有唯一一个平衡点;而对于大间隙的轴承来说,在每一时帧都会有3个平衡点,而且会将相空间划分为一个不稳定的区域和两个稳定的区域。对于高转速的工况,轴承的内圈会发生跳动,从一个稳定的区域跳动到另一个区域,并存在着混沌行为。2)实验与数值模拟仿真的结果证实了正常间隙的滚动轴承和推力球轴承在变转速的工况下存在着宽频混沌振动。此外,对于正常的轴承系统来说,随着脉冲的倍增和混沌振动的干扰,轴承会出现故障。实验结果与数值模拟仿真结果的一致性也证实了轴承故障会严重的影响到混沌监测指标:李雅普诺夫指数、关联维数和归一化信息熵。3)基于神经网络提出轴承故障的诊断系统。将上述监测指标作为诊断层而输入,而输出的结果就对应于轴承的相关工作状态或故障模式。对比分析指出,自适应模糊神经推理系统能更有效的映射出轴承的工作状态。4)针对涡轮钻具滚动轴承系统,研究了神经网络两种可行的方法(回归神经网络和自适应模糊神经推理系统),并评估了它们对轴承系统工作状态预判性能的高低。研究表明,一旦被轴承振动数据训练后的自适应模糊神经推理系统,神经网络可以准确的获取轴承故障扩散的信息。这种被训练过的方法可以有效的用于对轴承未来的工作状态进行预测,而且适用于变转速变载荷的工况中。同时,结合所提出的轴承预判模型,对测试轴承的305个案例进行未来工作状态的评估,准确率达到98%以上。