旋轉(zhuǎn)機械故障分析方法與診斷系統(tǒng)研究.pdf

1、在現(xiàn)代化生產(chǎn)生活中，機械設(shè)備的應(yīng)用范圍廣闊，若某一零部件出現(xiàn)問題而沒有及時發(fā)現(xiàn)，必然會造成一定的損失。而隨著機械設(shè)備故障智能診斷技術(shù)的發(fā)展，將其應(yīng)用于生產(chǎn)實踐，不僅可以避免巨大的經(jīng)濟損失，而且可以減少較大事故造成的傷亡。因此，對故障診斷技術(shù)進行研究，具有一定的現(xiàn)實意義。本文首先對一些機械故障機理進行介紹，然后結(jié)合時域特征值和神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)了軸承是否出現(xiàn)故障的檢測方法研究，接著研究了一種基于提取包絡(luò)極值的局部均值分解改進算法，最后開發(fā)了

2、一種能夠快速有效地應(yīng)用于減速機故障檢測的智能診斷系統(tǒng)。論文主要研究內(nèi)容如下：
　　首先，以常見的軸承和齒輪為例介紹了機械故障的相關(guān)理論，具體包含有軸承和齒輪故障機理和故障類型，然后對研究期間用到的時域統(tǒng)計分析方法、頻譜分析法和時域分析法進行了具體介紹。
　　其次，基于時域統(tǒng)計方法和神經(jīng)網(wǎng)絡(luò)理論，實現(xiàn)了基于LabVIEW的軸承是否出現(xiàn)故障的診斷方法研究。對已有不同工況下的軸承振動信號進行特征值提取，建立軸承正常狀態(tài)下的大樣本庫

3、，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，通過閾值設(shè)定判斷經(jīng)過網(wǎng)絡(luò)訓(xùn)練的軸承信號是否為正常狀態(tài)。
　　再次，研究了局部均值分解（LMD）算法，通過對仿真信號和實測信號的反復(fù)驗證，發(fā)現(xiàn)LMD算法有對高頻噪聲敏感的缺點。為了彌補這一缺點，提出了一種基于提取包絡(luò)極值點的局部均值改進算法，然后通過對比普通濾波、小波降噪和提升小波分析法這3種不同的去噪方法對LMD分解的結(jié)果影響，證實了該改進算法良好的復(fù)現(xiàn)性和有效性。
　　最后，基于LabVIEW的開