基于HHT和決策樹(shù)的滾動(dòng)軸承故障診斷研究.pdf

1、由于軸承的壽命具有很大的離散性和不可預(yù)知性,對(duì)其進(jìn)行故障診斷與實(shí)時(shí)監(jiān)測(cè)來(lái)保證機(jī)械設(shè)備安全運(yùn)行尤為重要。軸承故障診斷技術(shù)包括信號(hào)采集、特征提取、故障模式識(shí)別等環(huán)節(jié),是一門(mén)包括機(jī)械、信號(hào)處理、人工智能、傳感器等技術(shù)的交叉學(xué)科。本文中以滾動(dòng)軸承6205為例,對(duì)其進(jìn)行故障診斷分析,其主要故障形式有內(nèi)圈故障、外圈故障、滾動(dòng)體故障三類(lèi)。主要研究軸承振動(dòng)信號(hào)的故障特征提取方法、特征降維方法及多故障診斷算法在診斷技術(shù)中的應(yīng)用,并將些算法在MATLAB

2、GUI工程中實(shí)現(xiàn),開(kāi)發(fā)出故障診斷軟件。
　　 特征提取是故障診斷技術(shù)的一個(gè)重要環(huán)節(jié),對(duì)其進(jìn)行選擇的特征應(yīng)該能準(zhǔn)確而敏感地反映軸承的工作狀態(tài),本文結(jié)合相關(guān)文獻(xiàn)利用以下幾種方法綜合提取特征:計(jì)算并提取信號(hào)的時(shí)域統(tǒng)計(jì)量作為特征,即常用的各階中心矩與原點(diǎn)矩；在頻域中應(yīng)用參數(shù)法和非參數(shù)法估計(jì)信號(hào)的功率譜分析其頻率特征；利用時(shí)頻分析技術(shù)希爾伯特黃變換(HHT)來(lái)提取特征。
　　 主要開(kāi)展的工作如下:
　　 將希爾伯特黃變換用

3、于軸承的振動(dòng)信號(hào)分解,計(jì)算各信號(hào)成分的希爾伯特譜和希爾伯特邊際譜,提取相應(yīng)的故障特征；為減輕經(jīng)驗(yàn)?zāi)B(tài)分解出現(xiàn)的混疊現(xiàn)象,提取真實(shí)的頻率成分,本文分析了信號(hào)及其導(dǎo)數(shù)的關(guān)系,提出一種用信號(hào)二階導(dǎo)數(shù)的極值點(diǎn)取代原經(jīng)驗(yàn)?zāi)B(tài)分解算法中的信號(hào)極值點(diǎn)的方法進(jìn)行三次樣條插值,并將其與改進(jìn)前進(jìn)行對(duì)比,發(fā)現(xiàn)改進(jìn)的算法能準(zhǔn)確分解出信號(hào)中幅值分量表現(xiàn)不明顯的高頻信號(hào),具有很好的實(shí)用價(jià)值；
　　 針對(duì)多故障診斷的人工智能算法進(jìn)行研究,本文中主要用到的算法

4、是多分類(lèi)支持向量機(jī)和決策樹(shù)。在多分類(lèi)支持向量機(jī)算法中,其方法是:一是從時(shí)域和頻域中綜合提取7個(gè)特征,在經(jīng)過(guò)主成分分析降維,得到4個(gè)主成分,包含原有特征98.8％的信息。在MATLAB中對(duì)多分類(lèi)支持向量機(jī)進(jìn)行編程,對(duì)樣本信號(hào)的主成分進(jìn)行訓(xùn)練和預(yù)測(cè),試驗(yàn)結(jié)果表明:該方法能有效診斷軸承的幾種典型故障,總的正確識(shí)別率達(dá)97.3％。
　　 第二種診斷方法是將希爾伯特黃變換和決策樹(shù)相結(jié)合。其方法是:首先用EMD對(duì)軸承振動(dòng)信號(hào)進(jìn)行分解處理,并