论文部分内容阅读
滚动轴承作为机械设备中最常用和最容易失效的元件之一，其工作状态对机械设备的安全保障有着重要意义。对滚动轴承的运行状态进行监测，能够及时发现并诊断故障类型，帮助机械设备及时排除安全隐患，对避免重大事故的发生以及经济损失有着重要意义。 本文以滚动轴承为研究对象，论述了其机械结构和常见的故障类型，并在对滚动轴承表面损伤类故障特征进行分析的基础上，提出了一种基于小波包变换(Wavelet Packet Transform，WPT)与集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)的滚动轴承故障诊断方法并对该方法进行了实时优化。同时还采用了基于多尺度熵(Multi-scale Entropy，MSE)的方法对滚动轴承多类故障进行了诊断。主要研究工作如下： （1）针对现有的基于WPT与Hilbert解调的滚动轴承故障诊断方法存在频率干扰的问题，提出了一种基于WPT与EEMD的滚动轴承故障诊断方法。将该方法用于分析仿真和实验的滚动轴承故障信号，并与WPT-Hilbert解调法进行对比，结果表明 WPT-EEMD能够有效地判断滚动轴承故障类型并提高了WPT-Hilbert的抗干扰性。 （2）针对基于WPT与EEMD的滚动轴承故障诊断方法存在运行时间长，实时性差的问题，提出了一种基于筛选参量的改进式 EEMD(Modified EEMD，MEEMD)方法。WPT与MEEMD方法能够对WPT-EEMD进行实时优化。将优化后的算法用于轴承故障诊断中，发现在同样的诊断效果下，程序的执行效率得到了较大提高，为实现轴承故障的实时监测提供了有利保证。 （3）针对滚动轴承的多故障诊断问题，采用了基于 MSE与人工神经网络(Artificial Neural Network，ANN)的诊断方法，对多类型，多级别的轴承故障进行诊断，其中将多尺度熵的相关统计量作为神经网络的输入特征量，BP神经网络(Back-Propagation Neural Network，BPNN)作为识别网络，但由于BP神经网络存在容易陷入局部极小的缺陷，又引入了集合神经网络(Ensemble ANN，EANN)对其诊断。对比 BPNN与 EANN的诊断结果，得出了 MSE-EANN能够对MSE-BPNN进行优化，以及MSE-EANN更适合于轴承多种类、多级别故障诊断的结论。