论文部分内容阅读
滚动轴承是旋转机械中应用最为广泛的机械部件,也是最易损坏的部件之一。旋转机械的许多故障都与滚动轴承有关,轴承工作状态的好坏直接影响到设备的工作性能。因此,对轴承开展故障诊断研究具有重要意义。
本文的研究工作包括:
(1)根据滚动轴承冲击故障的特点,针对故障发生部位的不同,设计了八类点蚀故障模式。利用幅值指标分析、幅值谱分析、滤波分析对点蚀信号进行处理,分析了各种模式下的振动特征及各模式之间的差异。结果表明利用上述分析手段,只能定性识别故障模式,即判断点蚀故障的有无,无法确定故障的具体模式。
(2)针对轴承振动信号噪声较为强烈的特点,本文对小波降噪技术在轴承故障诊断中的应用进行了研究。降噪结果表明,小波分解后采用阈值法可以有效剔除振动信号中包含的噪声,降噪信号经频谱分析后可以成功提取滚动轴承的故障特征,达到诊断目的。
(3)针对轴承故障信号中普遍存在的调制现象,本文将小波分解后的高频信号采用包络分析,能够提取高频衰减振动中包含的低频调制信息,再进行频谱分析便可容易识别故障特征,并且可以对实验设计的八类点蚀故障加以区分。
(4)为了自动识别轴承点蚀故障模式,本文以轴承模拟故障信号的幅值指标作为样本数据,对BP神经网络加以训练,从而得到了期望的诊断网络,实现了轴承故障诊断的智能化。通过分析不同模式下点蚀故障信号的幅值指标分布特点,结合神经网络的固有特性,本文引入了二级逐步深入的BP神经网络诊断策略,经过与单级BP神经网络的诊断效果对比分析,验证了二级网络的优越性。
(5)针对幅值指标训练效果的不足,本文将小波包分析与神经网络相结合,利用小波包分解信号的各频段能量作为特征向量对BP神经网络进行训练,获得的模式识别网络能够明确区分实验中涉及的八类故障模式;采用新数据进行网络性能测试,证明其性能良好。
为了满足企业开展设备诊断的需求,设计开发了轴承故障诊断系统。该系统的数据库具有网络化功能,为实现设备的远程诊断奠定了基础。