论文部分内容阅读
滚动轴承作为旋转机械的关键元器件之一,直接影响机械运转的可靠性及稳定性。如何利用大量的轴承监测数据,深入挖掘其中故障信息,实现故障诊断与状态监测亦是值得深入研究的问题。现有的大多数轴承故障诊断与状态监测方法都是独立考虑单个样本的特征信息,较少关注同状态样本间的关联性。而这种关联性可能蕴含着重要的故障和状态信息。若能充分利用同一故障状态统计特性相似、不同故障状态样本统计特性不同这一特点,有助于提高故障识别精度。基于这种思想,本文以滚动轴承作为研究对象,开展基于K-L散度的滚动轴承故障诊断与状态监测方法研究。论文主要工作及创新如下:(1)针对总体经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)存在虚假本征模态分量(Intrinsic Mode Function,IMF)问题。本文利用K-L散度(Kullback-Leibler Divergence)以及峭度系数相结合的方法去除虚假分量。从而为后续故障诊断与状态监测提取更加有效的特征。(2)为了全面刻画滚动轴承振动信号各状态特征信息,采用一种将信号时域、频域及时频域等多域特征提取融合的方法。时频域特征提取是指改进EEMD方法时域参数、频域参数的特征提取。基于此构造滚动轴承各状态备选特征集。为了从备选特征集中选出更加敏感特征,利用K-L散度能刻画两分布之间相似性的特点,改进了传统距离特征选择方法中无法有效提取特征均值相近但分布不同的敏感特征问题。(3)研究了一种仅利用K-L散度实现滚动轴承故障诊断方法。由于该方法充分利用了样本间的关联性,因此其故障识别精度一定程度上优于传统基于支持向量机(Support Vector Machine,SVM)、BP(Back Propagation)神经网络的故障诊断方法。并应用于滚动轴承振动信号,发现该方法具有较好的故障诊断稳定性。(4)利用K-L散度构建了滚动轴承状态监测模型。通过使用滑动窗口选择待监测数据集并计算其与正常状态数据的K-L散度,得到状态监测值,以此类推,构成状态监测曲线。通过对全寿命滚动轴承振动信号的应用研究,验证了该方法的有效性。图36幅,表21个,参考文献73篇。