论文部分内容阅读
滚动轴承作为机械设备中普遍使用的“关节”,其振动性能会对主机产生较大的影响。我国是轴承生产大国,总产量中70%以上为深沟球轴承,其中低噪音深沟球轴承因其性能良好而在诸多领域的应用愈加广泛,对低噪音深沟球轴承的振动性能要求也愈加苛刻。论文以低噪音深沟球轴承生产过程中的振动测量和缺陷诊断为应用背景,围绕其中的振动信号获取、信号降噪、特征提取、缺陷诊断和分类等关键问题开展研究,其研究成果对其他类型轴承的缺陷诊断亦具有借鉴意义。论文主要研究内容如下。深沟球轴承在生产过程中的表面缺陷微小,缺陷特征易受本质振动的干扰。鉴于此提出了基于抑制本质振动的优化集合经验模态分解(Ensemble empirical mode decomposition,EEMD)信号降噪算法,即对振动信号进行两次经验模态分解(Empirical mode decomposition,EMD),在第一次EMD之后筛选出峭度最大的内蕴模态函数(Intrinsic mode function,IMF)。对该IMF零均值化处理后去除其中幅值介于正负两倍有效值之间的振动成分,之后在其中添加白噪声,再从加噪IMF的第二次EMD结果中直接选择频段最高的IMF。试验结果表明本章提出的降噪算法可以高效抑制本质振动成分对微弱缺陷的干扰,经降噪处理后,实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号的峭度值分别从之前的4.49、6.82和6.44增大至46.31、55.27和135.79,凸显了原始振动信号中微弱的缺陷特征。与EEMD算法相比,本章提出的降噪算法仅进行了两次EMD运算,时间消耗由EEMD的119.23s降至1.05s。为进一步突出微小缺陷的振动特征,提出了基于参数自适应变分模态分解(Variational mode decomposition,VMD)的缺陷特征提取算法。VMD算法的两个参数,即限带内蕴模态函数(Band-limited intrinsic mode function,BIMF)个数M和二次惩罚因子α会严重影响VMD的效果,且需要预先确定。为确定合理的M和α,首先提出可以同时反映冲击脉冲能量大小和频率信息的缺陷能量占比R,之后提出多天牛须搜索(Multi-beetle antennae search,MBAS)算法,根据先验知识取M为3至8之间的整数,以min{1/R}为优化目标,利用多只天牛在分别固定M时独立优化α,迭代循环结束后再从各天牛的优化结果中筛选出全局最优的M和α组合。利用该组合分解信号后,筛选R值最大的BIMF作为结果输出。仿真信号试验表明本章提出的特征提取算法要优于自适应白噪声完整集合经验模态分解(Complete EEMD with adaptive noise,CEEMDAN)算法和固定参数VMD算法。实测内圈缺陷信号、外圈缺陷信号和滚动体缺陷信号经本章提出的算法处理后,相应的缺陷能量占比数值分别为0.690、1.822和1.284;经CEEMDAN处理后,相应的缺陷能量占比数值分别为0.550、1.723和1.212;经固定参数VMD处理后,相应的缺陷能量占比数值分别为0.227、0.528和0.571。对比试验结果表明本章提出的算法评价缺陷的性能要优于CEEMDAN和固定参数VMD,且模态混叠现象要比CEEMDAN小很多。对振动信息进行充分表征后,为解决后续的缺陷诊断和分类问题,在整合前述降噪算法和特征提取算法的基础上提出了一种融合混合域特征的缺陷诊断与分类算法。首先利用特征提取算法筛选出振动信号的敏感BIMF,再借助降噪算法抑制该分量中的本质振动成分,之后重复特征提取算法,筛选出最终的敏感BIMF,这种处理可以使缺陷特征最显著化,降低后续辨识和分类的难度。之后计算该分量的一组时频域特征集,组成描述缺陷的特征向量,借助主成分分析对该特征集降维。设定特征参数累计贡献率的期望值为90%时,降维后的特征参数包括缺陷能量占比、样本熵、峭度和有效值,其中缺陷能量占比包括内圈缺陷能量占比、外圈缺陷能量占比和滚动体缺陷能量占比三个参数。最后以先验信息完成极限学习机(Extreme learning machine,ELM)的训练,再利用训练后的ELM分类器实现轴承的缺陷诊断和分类。针对凯斯西储大学公布的轴承数据集和实测的轴承振动信号分别开展了试验,对前者缺陷识别的正确率为99.75%,对后者识别的正确率为94.17%。为验证上述理论研究算法,结合低噪音深沟球轴承在生产过程中振动测量和缺陷诊断的需求,设计开发了全自动轴承振动测量仪,并在低噪音深沟球轴承生产线上对该测量仪进行了连线调试和算法验证。