论文部分内容阅读
自工业革命之后,旋转机械设备的应用日益广泛,其能否安全运行对于企业的生产至关重要。滚动轴承作为旋转机械中最易损坏的部件之一,其运行状态监测成为了当前故障诊断领域广泛研究的课题。滚动轴承转子系统动力学行为具有非线性的性质,其产生的振动信号则具有非线性、非平稳性的特点;振动信号易受环境噪声的影响,这些问题增大了滚动轴承故障诊断的难度。因此,如何在复杂工业环境下,提取滚动轴承振动信号的特征,并准确识别故障类型,是一个具有实际应用价值的研究方向。为此,本文引入广义形态滤波方法,围绕信号降噪处理、特征提取和故障类型识别等问题展开研究,解决旋转机械故障诊断问题中的信号处理与状态识别等关键问题,主要研究内容包括以下几个部分:(1)提出基于自适应广义形态滤波与多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)的信号预处理与特征提取方法。针对广义形态滤波方法降噪效果不理想的问题,采用最小均方(Least Mean Square,LMS)方法自适应选择广义形态滤波的加权系数,自适应地对振动信号进行降噪处理。MRSVD对降噪后的振动信号进行分析,获得故障特征信息,通过Hilbert包络谱分析轴承故障类型。实验结果证明该方法能较好的提取到轴承的故障特征,验证了该方法的可行性和有效性。(2)提出基于互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波的特征提取方法。针对广义形态滤波方法难以分离出轴承故障特征的问题,采用广义形态交替闭、开的方法改进了广义形态差值滤波器,并与CEEMD方法结合实现信号特征的准确提取。实验分析了滚动轴承内、外圈故障信号,结果证明该方法能准确分离出轴承故障特征,具有工程实用价值。(3)为了提高复杂工况下轴承故障类型识别精度,提出了自适应广义形态滤波和GG(Gath-Geva)聚类的轴承故障诊断方法。与FCM聚类、GK聚类等方法对比,GG聚类方法具有更高的区分性,实验结果表明,采用GG聚类方法对故障特征样本进行聚类分析,提高了轴承故障类型识别的准确性。