论文部分内容阅读
滚动轴承作为机械设备中的重要零部件,在机械设备中的重要地位是不言而喻的。据统计30%的机械设备故障是由滚动轴承引起的,因此很有必要对其运行状态进行实时检测,避免因轴承发生故障而损坏机械设备本身,这对保证整个机械系统正常运行具有重要意义。本文设计振动信号采集系统,对轴承的振动信号进行采集,再对采集到的振动信号数据进行分析,提取信号特征,采用偏最小二乘(partial least squares method, PLS)等方法对特征数据进行处理,建立故障识别模型,实现对轴承运行状况的实时监测。本文的核心工作是：设计开发轴承振动信号的采集系统；提取采集到振动信号的特征；建立故障检测模型。本文首先设计了一套以STM32F103RB为核心的振动信号采集系统,对轴承振动信号进行采集,然后对采集到的振动信号数据进行分析,提取信号的特征,通过小波包能量谱—偏最小二乘等方法建立故障检测模型。具体工作如下：(1)本文所设计的振动信号采集系统可以对数据进行高速、并行、多通道传输。核心控制模块是最重要的设计模块,设计的好坏直接关系到信号采集能否高速、准确地实现。对采集到的振动信号数据,本文采用频域分析法提取信号特征,建立故障检测模型。(2)提出小波包能量谱—偏最小二乘故障检测方法,建立故障检测模型。首先对振动信号进行小波包分解,提取小波包能量谱特征向量,以此作为PLS的输入,建立故障识别模型,实验验证了此方法的有效性。(3)提出小波包能量谱—核偏最小二乘故障检测方法,建立故障检测模型。基于小波包能量谱的偏最小二乘分析法,是一种线性数据处理方法,而轴承运行过程中,产生大量的非线性数据,因此提出了基于小波包能量谱的核偏最小二乘分析方法。采集滚动轴承的振动信号,对振动信号数据进行分析,是监测滚动轴承运行状态的有效途径。因此本文提出了基于小波包能量谱的故障识别方法,其采用小波包分析方法,提取振动信号的能量特征,并以此为基础建立PLS和KPLS的故障识别模型,实现对滚动轴承振动信号中的故障信息的检测和识别。将本文提出的故障识别模型,应用于美国西储大学提供的滚动轴承振动信号数据,实验验证了本文方法的有效性。最后,文章总结了论文的工作情况并对滚动轴承的故障检测作出了展望。