基于LMD的滾動軸承故障診斷研究.pdf

1、滾動軸承是機電設備中的常用零部件，對其進行故障監(jiān)測和診斷具有重要意義。機械設備運行過程中產(chǎn)生的振動信號包含了豐富的故障信息，對這些信息進行分析與處理，獲得機械設備零部件的狀態(tài)變化信息，進而判斷機械設備或零部件是否存在故障。時頻分析方法是機械故障特征提取中應用廣泛的一種分析工具?；诖吮尘埃疚囊肓艘环N新的時頻分析方法.局部均值分解，采用局部均值分解、神經(jīng)網(wǎng)絡、支持向量機、奇異值分解的理論和方法，對滾動軸承故障診斷方法進行了研究。

2、>　　 主要研究內(nèi)容如下：
　　 1.闡述了傳統(tǒng)時頻分析方法在分析時變非平穩(wěn)信號中的應用，指出了其存在的缺陷，通過LMD方法和傳統(tǒng)時頻分析方法的仿真信號對比，結(jié)果表明LMD對瞬變信號的頻率與幅值變化表征明顯，在減少迭代次數(shù)、抑制端點效應方面優(yōu)于EMD方法。
　　 2.將LMD和神經(jīng)網(wǎng)絡相結(jié)合，提出一種基于LMD與神經(jīng)網(wǎng)絡的智能診斷方法。以LMD作為預處理器，分解得到若干PF分量，從包含主要故障信息的前幾個分量中提取滾動

3、軸承故障特征，通過與基于小波包分解提取故障特征的對比，表明基于LMD和神經(jīng)網(wǎng)絡的方法可以有效識別滾動軸承故障類型，具有更好的識別能力。
　　 3.將小波包和LMD方法相結(jié)合，改進了原來的LMD方法，對小波包重構后的信號再進行LMD分解。針對滾動軸承出現(xiàn)局部故障時往往伴隨著周期性脈沖信號這一特點與奇異值分解技術的缺陷，提出了一種基于改進LMD奇異值分解的故障特征提取方法。對滾動軸承實驗信號的分析結(jié)果表明，基于改進LMD奇異值分解和