论文部分内容阅读
滚动轴承作为常用的旋转机械部件,其故障振动信号采集中往往伴随着大量的噪声干扰信号。针对强背景噪声下滚动轴承微弱故障信号特征提取及诊断的难题,本文结合多稳随机共振(Multi-stable stochastic resonance,MSSR)理论和变分模态分解(Variational Mode Decomposition,VMD)、解析模态分解(Analytical Mode Decomposition,AMD)方法提出两种滚动轴承微弱故障特征提取及诊断方法。通过研究表明,本文所提出的方法有利于噪声背景下的滚动轴承微弱故障特征的提取及诊断。本文首先以深沟球轴承为研究对象,采用赫兹接触理论、弹性力学和几何学,针对内、外圈表面有单故障缺陷的深沟球轴承建立了一个非线性动力系统模型。将外圈和内圈缺陷尺寸参数引入到该非线性动力学模型中,使用四五阶龙格库塔法对滚动轴承外圈、内圈的局部故障动力系统模型进行模拟分析,并与故障轴承实例进行了对比。研究了两种非高斯噪声(Lévy噪声和Dichotomous噪声)诱导的MSSR现象,总结并发现了Lévy噪声与Dichotomous噪声分别诱导的MSSR的平均信噪比增益(The mean of signal-to-noise ratio gain,SNR-GM)曲线随噪声强度的变化规律,同时将Lévy噪声和Dichotomous噪声诱导的MSSR应用于滚动轴承故障实验,最后对高斯(Gaussian)噪声、Lévy噪声和Dichotomous噪声分别诱导的MSSR仿真实验和滚动轴承实例进行了对比。针对强背景噪声下滚动轴承微弱故障特征提取难的问题,提出一种基于VMD与变尺度MSSR的滚动轴承故障特征提取及诊断方法。首先应用参数优化的VMD算法对微弱故障信号进行分解,得到若干本征模态分量(Intrinsic Mode Function,IMF),然后通过峭度准则筛选出其中峭度最大的IMF分量,最后对该IMF分量进行变尺度MSSR,从而实现微弱故障信号的特征提取。针对强噪声背景下滚动轴承多频故障信号特征提取难的问题,提出了一种基于变尺度频移MSSR和AMD-VMD的滚动轴承多频信号特征提取及诊断方法,该方法通过二次采样促使信号各个频带满足SR条件,随后使用AMD方法进一步过滤和提取,从而保留信号的增强部分,然后将各部分子信号进行合成,最后将重构的信号经过VMD分解,从而实现不同频率信号的有效提取。