论文部分内容阅读
轴承是机械设备中必不可少的部件,其稳定运行对机械设备的可靠运行和操作人员的生命财产安全有很大的影响。滚动轴承故障诊断在工业安全生产中起着十分重要的作用。目前经常使用的滚动轴承状态监测技术包括:振动检测技术、润滑油成分分析技术、声发射(Acoustic Emission,AE)技术、超声波探测技术等。振动检测技术是滚动轴承故障诊断领域里发展最为成熟且使用最为广泛的技术。但是,由于低转速旋转机械通常有大惯性矩,强工作背景噪音,部件故障产生的振动能量低等特点,振动技术在低速旋转机械如风能发电机、大型起重机及物料传输机等的状态监控应用方面效果并不理想。为了克服这方面的问题,高频声发射技术在低速旋转机械监控方面的应用日益得到相关研究及工程人员的高度重视。通常,对声发射信号的处理主要集中在信号除噪与时频分析两大模块。常见的信号除噪方法有小波去噪,EMD去噪,奇异值分解及高频滤波等;信号的时频分析主要依靠傅里叶变换和包络分析等方法。如今,为了提高轴承的故障诊断精度,声发射信号的分析也逐步向智能化的方向发展。比较常见的智能诊断技术包括支持向量机,人工神经网络,模糊聚类,遗传算法等。本文在参阅前人在轴承声发射故障诊断经验的基础上,从信号的除噪,时频域特征分析和人工智能识别三个方向入手,依次实现低速轴承故障的智能化诊断。本课题主要完成的工作如下:(1)学习声发射技术并将其应用到低转速轴承故障诊断实验。分析不同轴承故障产生的声发射信号特征,利用小波变换,小波包分解,经验模态分解,集合经验模态分解等信号处理方法提取轴承故障特征信号,并简单讨论这几种方法的优缺点。(2)开展滚动轴承故障模拟实验。在SQI机械综合故障实验平台上开展了低转速滚动轴承实验,检测了滚动轴承在正常状态、外圈故障、内圈故障和滚动体故障四种工作状态下的振动及声发射信号,通过信号分析提取了轴承在上述工作条件下的信号特征。(3)提出了基于经验模态分解(Empirical Mode Decomposition,EMD)-重复间隔阈值去噪(Clear Iterative Interval-Thresholding,CIIT)和模糊核聚类(Kernel-based Fuzzy C-Means,KFCM)算法相结合的的低速轴承故障诊断方法,并将这种方法应用到低速轴承故障诊断。