论文部分内容阅读
在旋转机械设备中,滚动轴承作为支撑并保持轴的正常工作位置与旋转精度的关键零部件,它的运行状态直接影响着整个机械设备甚至生产系统的正常运行。滚动轴承作为一种精密机械元件,包含内圈、外圈、滚动体和保持架四部分,由于工作环境复杂,并长期处于高转速、高负荷的工作条件,极容易产生故障。据统计,包含滚动轴承的旋转机械设备中,70%以上的故障属于轴承故障,因此开展滚动轴承的故障诊断研究具有极为重要的意义。在目前已有的轴承监测诊断技术研究成果中,采集轴承振动信号并进行分析处理是主流方式,而基于傅里叶变换的时频域线性分析方法是应用最为广泛的诊断方法,具有理论完善、分析方便、能够很好的反映信号时域和频域的特征等优点,研究成果多且较为成熟,但线性分析也存在着固有的局限性缺点,例如基于信号平稳假设,因此本文主要从非线性分析出发对振动信号进行处理,增加故障诊断领域方法的完善性。本文主要从信号灰度图纹理特征以及信号分形特征两个方面来对轴承振动信号进行研究分析,达到故障诊断的目的。滚动轴承产生故障后,高速运行时故障缺陷对系统会产生周期性冲击,冲击特征在时频域的表现形式是冲击幅值和特征频率,而将振动信号转化为灰度图后则能够以纹理的形式表现出来,基于此,本文将LBP算法引入到滚动轴承故障诊断领域,通过提取轴承不同状态下的振动信号灰度图纹理特征,实现了滚动轴承典型故障的有效识别。此外,针对信号灰度图损失了时频域信息的问题,设计了基于幅值加权的改进方法;根据灰度图纹理对噪声较为敏感的特性,设计了基于EMD降噪的改进方法,两种改进方法都取得了良好的效果。滚动轴承振动信号存在着分形特征,而轴承不同状态下的振动信号分形特征也有所差异,因此本文开展了基于分形理论的故障诊断方法研究。首先进行了单重分形在轴承故障诊断方面的应用研究,通过盒维数结合ITD算法,成功区分了轴承不同状态,但是单重分形存在着不能完整刻画信号分形特征的固有缺陷,因此引入了改进后的多重分形方法,结合基于特征向量内在关系的分类识别算法进行故障诊断,经过实验室轴承数据仿真实验,得到了良好的诊断结果。为了适应现代企业对机械设备监测和管理的需求,基于上述理论研究成果以及其他轴承故障诊断技术,以实验室平台为应用对象,设计开发了基于状态监测和故障诊断的机械设备管理系统,主要包括数据库的设计开发和设备监测诊断系统设计开发两部分内容,初步实现了设备管理、状态监测以及故障诊断等功能。