论文部分内容阅读
在现代化机械设备中,旋转机械设备所占比重很大,而滚动轴承又是旋转机械的关键组成部件,因此对旋转机械滚动轴承状态监测和故障诊断的研究势在必行。局部均值分解(Local Mean Decomposition,LMD)时频分析方法作为新的信号分解方法,有很好的优势对于处理和分析非平稳、非线性的振动信号,尤其是滚动轴承振动信号这样的复杂的调幅-调频信号。本文重点研究了基于LMD的滚动轴承故障诊断方法。其主要内容如下:首先,针对LMD分解方法存在的虚假分量问题,研究了一种基于迭代终止条件改进和残余分量再处理的方法。利用仿真信号和实际故障信号验证此方法的可行性和有效性。然后,研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。此方法首先对滚动轴承振动信号进行LMD分解,然后求取分解所得的乘积函数(Product Function,PF)的多尺度熵(Multi-Scale Entropy,MSE),最后将熵值作为故障特征向量输入到概率神经网络进行模式识别,实现损伤位置和损伤程度的诊断。最后,将时频分析方法与数学形态学结合,提出一种新的故障特征表征参数——多尺度谱熵,并将其与LMD方法相结合,研究了一种基于LMD与多尺度谱熵分析的滚动轴承故障诊断方法。通过实验结果可知,该方法可以准确的获取滚动轴承振动信号的故障特征,有效的实现滚动轴承故障类型的诊断。