论文部分内容阅读
轴心轨迹包含了丰富的故障信息,是一种诊断旋转机械故障的有力工具。因此,对轴心轨迹的提纯、特征提取和自动识别进行全面的研究,并开发专门的轴心轨迹分析仪是十分必要的。首先,对各种故障原因下转子的振动机理进行了详细的分析、对相关故障原因下转子的受力情况进行了理论计算、介绍了各种故障原因下转子轴心轨迹的时域波形特点、频域频谱特征。其次,在对原始轴心轨迹信号进行滤波提纯的研究中,针对轴心轨迹信号的非平稳特点,考虑到谐波小波频域定位特性,本文采用了谐波小波对轴心轨迹信号的频域频段进行细化分解,提取目标频段的数据点,通过实验证实了谐波小波在非平稳信号滤波中的可行性和优越性。针对旋转机械振动信号数据采集和轴心轨迹图形的特点,采用了用数学形态滤波器实现轴心轨迹提纯的方法。仿真计算及现场实验验证了该方法的有效性。再次,针对轴心轨迹是图像征兆的特点,采用了一种根据轴心轨迹图形几何特征和不变矩特征的特征提取方法。通过仿真试验验证不变矩并不随着图像的伸缩、旋转等变化而变化,用不变矩作为轴心轨迹的形状特征是可行有效的,在此基础上靠考虑斜变换的因素,形成了基于仿射不变矩的特征提取方法。为了将轴心轨迹的图像特征和实际意义相结合进行识别,采用了基于傅里叶描述子的特征提取方法。研究表明本文采用的傅立叶描述子对轴心轨迹具有良好的表征能力,且该方法的表述和故障机理相关,具有很强的物理背景,由于傅里叶描述子的大小不能完全表征轴心轨迹的形状,有一定的局限性。由于基于神经网络的识别系统具有很强的自适应学习能力、容错性、鲁棒性等优点,对于分类识别的问题非常适用,所以构建了BP网络对轴心轨迹进行自动识别,仿真结果显示利用神经网络对轴心轨迹进行自动识别具有很高的准确率。最后,将轴心轨迹的各种处理算法用软件的方法实现,配置了相关的测试硬件,设计了一体化轴心轨迹分析仪。在重庆大学机械传动国家重点实验室和宁江机床厂进行了现场试验使用,对现场实测数据进行分析,验证了本文所提出的提纯及识别方法,结果表明本文中讨论的研究方法可以取得较好的效果。