基于Hilbert-Huang變換的滾動軸承智能診斷方法研究.pdf

1、滾動軸承是旋轉(zhuǎn)機(jī)械中最常用，也是最易損壞的零部件之一。旋轉(zhuǎn)機(jī)械的許多故障都與滾動軸承有關(guān)，它的運(yùn)行狀態(tài)是否正常往往直接影響到整臺機(jī)器的性能。因此研究滾動軸承的故障診斷技術(shù)具有很現(xiàn)實(shí)的意義。 本文將時頻分析新方法——希爾伯特一黃變換(Hilbert-HuangTransform，簡稱HHT)和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(Adaptive Network-based FuzzyInference System，簡稱ANFIS)相結(jié)合應(yīng)用于滾

2、動軸承故障診斷中，實(shí)現(xiàn)了對滾動軸承的智能診斷。主要研究內(nèi)容包括：搭建實(shí)驗(yàn)裝置、設(shè)計(jì)實(shí)驗(yàn)方案；通過大量實(shí)驗(yàn)獲取滾動軸承振動信號，對所得信號進(jìn)行有效的分析處理，提取信號特征，從而識別出相應(yīng)的軸承狀態(tài)；將神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合作為分類器，對滾動軸承的工作狀態(tài)和故障類型進(jìn)行分類。 HHT方法包括經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，簡稱EMD)和Hilbert變換兩部分。其中EMD是關(guān)鍵，它將信號分解

3、成有限個固有模態(tài)函數(shù)(Intrinsic Mode Function，簡稱IMF)之和。然后對每一個IMF進(jìn)行Hilbert變換，合并得到原信號的Hilbert譜，具有很高的時頻分辨率。通過對仿真信號和實(shí)際滾動軸承振動信號進(jìn)行HHT和其他時頻率分析方法的比較研究，驗(yàn)證了該方法分析非平穩(wěn)信號的有效性和優(yōu)越性。 在實(shí)際的應(yīng)用中，本文應(yīng)用了一種改進(jìn)的篩選停止準(zhǔn)則提高了EMD分解速度和精度。并且，采用了基于包絡(luò)解調(diào)技術(shù)的EMD方法，減少

4、故障振動信號中的噪聲干擾和高頻固有振動對EMD分析造成的影響，得到準(zhǔn)確的IMF分量，從而有效地提取特征信息。 智能診斷系統(tǒng)是在EMD與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的基礎(chǔ)上建立起來的。文中選取ANFIS和BP網(wǎng)絡(luò)分別作為滾動軸承故障模式的分類器，并采用基于EMD的特征參數(shù)和基于小波分解的特征參數(shù)分別作為故障特征，輸入到分類器中加以比較。實(shí)驗(yàn)結(jié)果表明：基于EMD的特征參數(shù)能夠正確有效地反映滾動軸承的各故障特征，當(dāng)它與ANFIS模糊神經(jīng)網(wǎng)絡(luò)結(jié)合時