改進的共振稀疏分解方法及在機械故障診斷中的應用.pdf

1、現(xiàn)今，工業(yè)發(fā)展越來越趨向于自動化、大型化、智能化發(fā)展，機械傳動機構已廣泛的應用在各類大型生產(chǎn)設備中，滾動軸承作為大型機械設備中主要傳動零件之一，逐漸起著越來越大的作用，其健康狀態(tài)直接影響著設備的生產(chǎn)工作。滾動軸承發(fā)生故障時，機械設備將偏離正常工作狀態(tài)，對生產(chǎn)可能會造成巨大的經(jīng)濟損失，因此有必要對滾動軸承進行狀態(tài)檢測。本文以滾動軸承為研究對象，針對滾動軸承早期故障時微弱故障特征不易識別的特點，將改進的共振稀疏分解理論應用到滾動軸承的故障診

2、斷中，并通過仿真和實測信號驗證方法的有效性。
　　1.闡述共振稀疏分解的理論基礎以及分解原理，針對共振稀疏分解將振動信號分解為包含周期諧波成分的高共振分量以及包含瞬態(tài)沖擊成分的低共振分量的特點，將共振稀疏分解應用到軸承的故障診斷中來提取故障沖擊成分，應用數(shù)值仿真信號和實測軸承故障信號以及與小波變換、經(jīng)驗模式分解分解效果對比來驗證共振稀疏分解的有效性。
　　2.針對共振稀疏分解在振動信號分解過程中，分解效果受到多參數(shù)隨機選擇影

3、響的缺陷，提出基于粒子群優(yōu)化的共振稀疏分解算法，運用相關峭度指標來評價低共振分量中的周期沖擊信號成分的多少。仿真和實測信號驗證粒子群優(yōu)化的共振稀疏分解算法對于軸承特征提取的有效性，與現(xiàn)有的變模式分解進行對比，基于粒子群優(yōu)化的共振稀疏分解對特征提取的效果更優(yōu)。
　　3.將共振稀疏分解算法用于軸承和齒輪故障的分類。為了更好的對機械故障進行模式識別，將共振稀疏分解的分解系數(shù)的排列熵值作為特征向量，結合KNN分類器實現(xiàn)軸承以及齒輪不同工況