基于時頻分析與智能算法的滾動軸承智能診斷方法.pdf

1、滾動軸承作為機械設備最常用的零部件之一，它的健康狀態(tài)影響著設備的工作性能。因此，滾動軸承狀態(tài)監(jiān)測和故障診斷一直是國內外故障診斷領域的關注重點。
　　本文首先闡述了傳統(tǒng)時頻分析工具 Wigner-Ville分布的定義和性質，并利用 WVD分布提取特征信息，針對利用Wigner-Ville分布對軸承振動信號進行特征提取后得到二維矩陣維數(shù)較高的問題，利用 SVD進行二次特征提取轉換為一維矩陣向量，并結合主成分分析對進行降維，依照所需累計

2、貢獻率閾值選取前10維構成特征向量，輸入到BP神經(jīng)網(wǎng)絡進行自動識別。實驗結果表明，該智能診斷方法能夠以較滿意的精度識別滾動軸承故障類型。
　　針對傳統(tǒng)時頻WVD會在處理多分量信號時產生交叉項干擾的問題，提出一種新的時頻分析工具S變換處理滾動軸承故障時的非平穩(wěn)信號。對來自鄭州鐵路局某貨車滾動軸承故障TADS探測站檢測到的內圈和外圈故障軸承聲音信號采用S變換得到時頻圖，從時頻圖像可以清晰地發(fā)現(xiàn)軸承外圈振動信號中的沖擊成分，并能剖析振動

3、信號頻率成分隨時間變化情況?；赟變換較好的時頻特性，提出利用S變換提取故障信號特征，對原始信號進行S變換后采用SVD將二維矩陣轉換為一維特征向量，然后結合一種新的非線性流行學習方法局部保持投影對特征進行降維，將降維后的特征輸入到徑向基神經(jīng)網(wǎng)絡自動診斷。實驗結果表明，該智能診斷方法能夠完全正確地診斷出滾動軸承故障類型，具有較高的可靠性。
　　為滿足工程實際中變載荷工況下滾動軸承智能診斷的需要，提出了一種基于包絡小波標準偏差包的智能