论文部分内容阅读
滚动轴承是工业机械系统中的关键组成部分,且被应用到越来越多的领域中,其工作状态的优劣决定着机械系统整体的性能,为了保证机械设备正常工作需对滚动轴承进行实时、有效的故障检测。常见的故障提取方法有傅立叶变换、小波分析、集合经验模态分解,小波包分析作为一种新的故障分析方法也越来越多的应用到其中。小波分解把信号频带低频部分进行分解,而小波包分解则是将上一层频带进行分解得到的所有频带都进一步的进行分解,可以看出,小波包变换是小波变换的完美补充,提高了信号高频段的分辨率。目前,小波包分析已经广泛应用于机械故障诊断、电力系统故障诊断、图像处理等众多领域。本文在对现有的故障诊断方法进行介绍分析的基础上,重点研究了以小波包和极限学习机为基础的故障诊断方法,所做的工作如下:(1)介绍了滚动轴承的故障诊断常见的一些方法,重点介绍了滚动轴承的基本结构及其特性,具体包括滚动轴承的振动类别、固有振动频率、振动模型以及故障特征频率等。(2)主要介绍了小波和小波包分析的基本原理,分别介绍了基于时域分析的滚动轴承故障特征提取方法,以及基于时频分析的滚动轴承故障特征提取方法,对其在时域、频域上的不同特征做了具体分析,并详细描述了其实现方法。(3)介绍了极限学习机的基本理论知识,并描述了极限学习机在滚动轴承故障诊断领域的具体实现方法。对滚动轴承原始信号直接进行时域分析,求取时域特征参数,构建出相应的时域特征向量作为极限学习机的输入参数,从而实现滚动轴承的故障分类。对滚动轴承原始信号先进行小波包分解,提取出子频段的各个频域特征值并进行分析,再构建出相应的频域特征向量作为极限学习机的输入参数,实现其故障分类。最后,对两种情况下得到的故障诊断结果,进行分析比较。通过MATLAB仿真实验结果,本文认为以小波包和极限学习机为基础的滚动轴承故障诊断方法能够提取出有效的频域特征信息、从而实现准确的分类判断且效率较高,该方法可以在滚动轴承故障诊断领域展开应用,具有很好的理论研究价值和应用价值。