滾動(dòng)軸承智能故障診斷方法研究.pdf

1、滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械重要的部件之一，整個(gè)機(jī)械設(shè)備的工作狀態(tài)與滾動(dòng)軸承的運(yùn)行情況有著密切的關(guān)系。滾動(dòng)軸承在旋轉(zhuǎn)機(jī)械中起著承受載荷和傳遞載荷的作用，其一旦失效就會(huì)使機(jī)器停止運(yùn)行，造成經(jīng)濟(jì)損失，更嚴(yán)重的可能還會(huì)發(fā)生機(jī)毀人亡的重大事故。所以，滾動(dòng)軸承狀態(tài)監(jiān)測(cè)和故障診斷一直是國(guó)內(nèi)外故障診斷領(lǐng)域的關(guān)注重點(diǎn)。隨著旋轉(zhuǎn)機(jī)械自動(dòng)化程度和復(fù)雜程度的日益增高，故障診斷所需處理的數(shù)據(jù)量巨大，為減小機(jī)械設(shè)備管理人員的主觀性影響，對(duì)滾動(dòng)軸承進(jìn)行智能故障診斷的需求愈顯

2、迫切。
　　針對(duì)穩(wěn)態(tài)工況下滾動(dòng)軸承的智能故障診斷，本文采用一種新的時(shí)頻分析工具S變換對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行特征提取，同時(shí)針對(duì) S變換后得到二維矩陣維數(shù)較高的問題，采用奇異值分解技術(shù)將S變換后的矩陣進(jìn)行二次特征提取，并將由奇異值分解得到對(duì)角陣上的元素構(gòu)成特征向量，用于訓(xùn)練 RBF網(wǎng)絡(luò)。對(duì)于后續(xù)測(cè)取的未知故障類型樣本振動(dòng)信號(hào)，經(jīng) S變換后得到的矩陣進(jìn)行奇異值分解獲得特征向量，然后輸入到訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)，便能進(jìn)行滾動(dòng)軸承運(yùn)行狀態(tài)的

3、自動(dòng)識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文采用的基于S變換和奇異值分解的智能診斷方法能夠以較高的精度識(shí)別滾動(dòng)軸承故障類型。與基于Wigner-Ville分布和奇異值分解特征提取方法的比較結(jié)果表明，S變換比Wigner-Ville分布能夠提取到更多的故障信息。RBF神經(jīng)網(wǎng)絡(luò)與 Elman神經(jīng)網(wǎng)絡(luò)的比較結(jié)果表明，RBF具有較高的穩(wěn)定性以及識(shí)別精度。
　　針對(duì)變載荷工況下滾動(dòng)軸承的智能故障診斷，本文采用了一種基于多域特征提取及Fisher特征選擇的載

4、荷魯棒滾動(dòng)軸承智能故障診斷方法。小波包節(jié)點(diǎn)能量特征結(jié)合頻域特征統(tǒng)計(jì)量構(gòu)建多域特征提取，能夠有效反映軸承故障類型特征，并對(duì)載荷信息魯棒。利用Fisher特征選擇方法對(duì)提取到的多域特征進(jìn)行降維，以提高分類器的分類精度，剔除不相關(guān)特征，并利用降維后的特征集訓(xùn)練支持向量機(jī)用于對(duì)未知樣本的診斷。實(shí)驗(yàn)結(jié)果表明，本文采用的基于多域特征提取和Fisher判別特征選擇的軸承載荷魯棒智能診斷方法能夠以較高的精度識(shí)別滾動(dòng)軸承故障類型。與基于多域特征提取和距離