滾動軸承振動信號非平穩(wěn)、非高斯分析及故障診斷研究.pdf

1、滾動軸承是旋轉(zhuǎn)機械的重要組成部件，其性能狀態(tài)對機械設(shè)備運行及效率起至關(guān)重要的作用?；谡駝臃治龅臐L動軸承智能故障診斷已成為國內(nèi)外學者的研究熱點，但相關(guān)研究主要針對固定工況運行環(huán)境，難以滿足工程實踐中載荷變化和轉(zhuǎn)速波動的變工況故障診斷需要。本文基于滾動軸承振動信號的非平穩(wěn)、非高斯特性，對特征參數(shù)提取、特征向量優(yōu)化、變工況故障診斷和性能退化評估等問題展開研究。主要工作概述如下：
　　1.研究振動信號的連續(xù)小波變換，提出一種基于最小香農(nóng)

2、熵和奇異值分解的Morlet小波參數(shù)優(yōu)化方法。最小香農(nóng)熵意味著小波系數(shù)稀疏，保證小波波形和信號之間的較高相似度，奇異值分解可以檢測序列的周期特性，二者相結(jié)合能提取更有效的故障特征信息。研究最優(yōu)Morlet小波系數(shù)的常用統(tǒng)計參量性質(zhì)，標準差、均值、均方根和無窮范數(shù)在不同軸承狀態(tài)下差異性顯著，作為特征參數(shù)獲得可靠的故障診斷結(jié)果。最后用比較實驗證明Morlet小波參數(shù)優(yōu)化的有效性和可靠性。
　　2.研究振動信號的小波包分解，提出一種差異

3、性和相似性相結(jié)合的特征向量優(yōu)化方法。振動信號小波包分解獲得多個帶寬相同的子頻帶，但有效故障特征信息只分布在少量子帶中，特征向量存在冗余信息。選擇 Daub8小波，根據(jù)子帶寬度和諧波頻率估算小波包分解層數(shù)，并將子帶能量作為參數(shù)構(gòu)造特征向量?；贔isher線性距離測度，差異性優(yōu)化選出不同軸承狀態(tài)下距離較大的特征向量行向量，相似性優(yōu)化選出特征向量內(nèi)距離較小的行向量。優(yōu)化特征向量具有較大的類間差異性和類內(nèi)相似性，在突出故障特征信息同時抑制了干

4、擾成分。比較實驗表明文中優(yōu)化方法的辨識精度優(yōu)于文獻方法。
　　3.對振動信號進行小波降噪研究，提出一種基于短時過零率的工況魯棒早期故障診斷方法。過零率只與信號通過零點的頻度有關(guān)而與波形或幅度無關(guān)，對工況改變導致的振動信號波形變化魯棒，也能在一定程度上表征信號的頻域信息。確定小波函數(shù)、分解層數(shù)和閾值策略后，研究小波降噪信號的短時過零率特點，其在不同故障狀態(tài)下的差異性明顯，在故障相同但工況不同時又具有較大的相似性，是一種工況魯棒的特征

5、參數(shù)。使用任意一種工況的數(shù)據(jù)訓練模型，都能正確辨識當前工況和其它三種工況的故障類型，實現(xiàn)工況魯棒的早期故障診斷。
　　4.研究滾動軸承振動信號的非高斯特性，提出一種基于雙譜主成分分析的智能故障診斷方法。先對振動信號的雙譜特性進行研究，其幅度和分布特性在不同故障類型時具有明顯的差異性，在故障相同但工況不同時又具有一定的相似性。使用主成分分析方法提取雙譜中的有效特征信息，取其幅值作為特征參數(shù)，實現(xiàn)了不同工況和不同故障程度的軸承狀態(tài)判別

6、。此外，零載荷工況數(shù)據(jù)訓練的模型，能辨識其它三種不同工況的故障類型，具有工況魯棒的故障診斷功能。
　　5.對滾動軸承性能退化評估進行研究，提出一種基于隱馬爾可夫模型距離的性能退化評估指標。先設(shè)計滾動軸承加速度疲勞壽命試驗，并自制數(shù)據(jù)采集系統(tǒng)記錄6205軸承性能退化過程的振動加速度信號。研究常用診斷指標在性能退化過程中的變化規(guī)律，發(fā)現(xiàn)滾動軸承性能退化過程經(jīng)歷六個不同階段，將其命名為：正常狀態(tài)、早期故障、中度故障、嚴重故障、預(yù)警階段和