基于數(shù)學形態(tài)學的牽引電機滾動軸承故障診斷研究.pdf

1、滾動軸承是牽引電機(系統(tǒng))中的核心部分，如果滾動軸承發(fā)生了故障，對整個系統(tǒng)的穩(wěn)定運行會產生嚴重影響。針對滾動軸承的故障診斷目前具有很多方法，主要是針對軸承的振動信號進行分析，而傳統(tǒng)的信號分析方法具有很多的局限性，因此繼續(xù)探索出一種新的分析方法來提高診斷效率。數(shù)學形態(tài)學作為一種新的非線性非平穩(wěn)性信號分析方法，已經在眾多領域得到了應用，非常適合于軸承振動信號的分析。本文重點研究了基于數(shù)學形態(tài)學的滾動軸承故障診斷方法，主要工作如下所示：

2、>　　(1)針對滾動軸承故障信號非線性、非平穩(wěn)特征，采用了EMD(Empirical Mode Decomposition)和LMS(Least Mean Square)相結合的算法，首先用EMD對滾動軸承振動信號進行分解，然后對高頻分量進行自適應形態(tài)濾波，進而在通過形態(tài)閉運算進行形態(tài)解調，最后依靠頻譜分析判斷滾動軸承的故障。結果表明，分類效果十分明顯。
　　(2)為了準確的診斷出滾動軸承的運行狀態(tài)，將1(1/2)維譜熵引入滾動軸

3、承故障診斷中，先對EMD分解得到的固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF分量)求取1(1/2)維譜熵值，作為表征滾動軸承故障類型的特征向量,將其作為Elman神經網絡的輸入?yún)?shù)，最后區(qū)分滾動軸承故障狀態(tài)和故障類型。最后通過與小波包分析-BP神經網絡故障診斷方法對比，實例表明該方法具有更高的識別率，更加表明其可行性和有效性。
　　(3)考慮到基本數(shù)學形態(tài)濾波器本身的一些局限性，提出了一種基于LMD(Lo