基于聲音信號(hào)的軸承故障診斷方法研究.pdf

1、滾動(dòng)軸承是機(jī)械的重要組成部件之一，在工業(yè)中起著重要的作用。同時(shí)滾動(dòng)軸承也是機(jī)器中極易損壞的元件之一。對(duì)滾動(dòng)軸承的故障預(yù)測(cè)和診斷技術(shù)是近年來(lái)國(guó)內(nèi)外研究的熱點(diǎn)。聲音包含了軸承在運(yùn)轉(zhuǎn)過(guò)程中產(chǎn)生的大量豐富的狀態(tài)信號(hào)，由于它采集比較容易，屬于非接觸式測(cè)取，設(shè)備簡(jiǎn)單，速度快，無(wú)須事先粘貼傳感器，且不影響設(shè)備，因此本文將軸承故障的聲音信號(hào)作為信息源，研究了軸承表面損傷時(shí)聲音信號(hào)的故障模型和診斷方法。 針對(duì)單一故障模型，本文研究了人工診斷和智能

2、診斷兩種診斷方案。在人工診斷方案的分析中，對(duì)小波變換結(jié)合包絡(luò)分析的人工診斷方法進(jìn)行了改進(jìn)，對(duì)小波分解重構(gòu)的每層高頻細(xì)節(jié)信號(hào)進(jìn)行包絡(luò)譜分析，有效提高了診斷準(zhǔn)確率，且該方法的實(shí)時(shí)性較好，可應(yīng)用于工程實(shí)際?？紤]到人工診斷的主觀性，采用BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)的智能診斷方法，對(duì)小波神經(jīng)網(wǎng)絡(luò)及小波包神經(jīng)網(wǎng)絡(luò)的診斷效果進(jìn)行了綜合比較，認(rèn)為小波神經(jīng)網(wǎng)絡(luò)性能較好。對(duì)比智能診斷與人工診斷方法，智能診斷方法略優(yōu)于人工診斷方法，但智能方

3、法需要大量樣本預(yù)先學(xué)習(xí)，人工方法可依據(jù)譜圖直接診斷，因此應(yīng)用中可將兩種方法比較分析，相互補(bǔ)充。 聲音信號(hào)雖然能夠提供較多的滾動(dòng)軸承故障信息，但是由于故障信號(hào)經(jīng)常與正常信號(hào)混在一起，往往不易清晰地判別出故障。而在源統(tǒng)計(jì)獨(dú)立的條件下，可以采用快速獨(dú)立分量分析算法分離出各個(gè)獨(dú)立源信號(hào)，進(jìn)一步運(yùn)用單一故障模型方法能成功診斷故障。而故障軸承的聲信號(hào)為源相關(guān)信號(hào)，應(yīng)用標(biāo)準(zhǔn)的獨(dú)立分量分析受到限制。本文提出基于不同先驗(yàn)知識(shí)的MSD-ICA-EA