滾動(dòng)軸承故障程度和工況不敏感智能診斷方法研究.pdf

1、滾動(dòng)軸承廣泛應(yīng)用于各類旋轉(zhuǎn)機(jī)械設(shè)備中且工作環(huán)境十分復(fù)雜和惡劣，其健康狀態(tài)直接關(guān)系旋轉(zhuǎn)機(jī)械的整機(jī)性能，一旦失效可能導(dǎo)致潛在的經(jīng)濟(jì)損失和安全事故。另一方面，現(xiàn)代旋轉(zhuǎn)機(jī)械設(shè)備正朝著集成化和自動(dòng)化方向發(fā)展，對(duì)其進(jìn)行故障診斷所需的數(shù)據(jù)量越來(lái)越多，對(duì)智能診斷的需求尤其迫切，以減少人工主觀性影響。因此，有效地進(jìn)行滾動(dòng)軸承智能診斷對(duì)于旋轉(zhuǎn)機(jī)械設(shè)備具有重要的現(xiàn)實(shí)意義。
　　機(jī)械故障智能診斷過(guò)程主要包括三個(gè)步驟：振動(dòng)信號(hào)的獲取，故障特征信息的提取，故

2、障狀態(tài)的模式識(shí)別。整個(gè)過(guò)程中的振動(dòng)信號(hào)獲取是基礎(chǔ)，特征提取是關(guān)鍵，將直接影響模式識(shí)別的準(zhǔn)確性和可靠性，故障模式的識(shí)別是結(jié)果。本文以滾動(dòng)軸承為研究對(duì)象，研究以下幾類滾動(dòng)軸承故障智能診斷方法：（1）研究以熵為滾動(dòng)軸承的運(yùn)行振動(dòng)特征，利用以Tsallis熵和樣本熵為基礎(chǔ)，分別利用小波包分解和提升小波包分解方法，用以在多個(gè)尺度上描述非線性、非平穩(wěn)性振動(dòng)信號(hào)的復(fù)雜度，結(jié)合概率神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)提出兩種滾動(dòng)軸承智能診斷方法，并通過(guò)從QPZZ-

3、Ⅱ故障模擬平臺(tái)上采集到的滾動(dòng)軸承十種不同健康狀態(tài)振動(dòng)信號(hào)驗(yàn)證了兩種基于熵的滾動(dòng)軸承智能診斷方法的有效性。（2）研究一種多尺度熵特征提取方法和基于二叉樹(shù)型多分類器集成的模式識(shí)別方法，利用二叉樹(shù)結(jié)構(gòu)將原多類分類問(wèn)題轉(zhuǎn)換成在每個(gè)節(jié)點(diǎn)處的2類分類問(wèn)題，從而可以在二叉樹(shù)每個(gè)節(jié)點(diǎn)處采用基于多數(shù)投票法和三種神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)多分類器集成系統(tǒng)。并以西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的振動(dòng)信號(hào)通過(guò)對(duì)比實(shí)驗(yàn)來(lái)驗(yàn)證方法的有效性；（3）研究一種滾動(dòng)軸承故障程度和運(yùn)行工況不敏

4、感智能診斷方法，針對(duì)工程實(shí)際中訓(xùn)練樣本集和測(cè)試樣本集雖然故障類型相同（如均為滾動(dòng)體故障），但故障程度和運(yùn)行工況卻可能不同的問(wèn)題，提出了對(duì)軸承振動(dòng)信號(hào)經(jīng)過(guò)S變換后得到二維矩陣，并采用奇異值分解技術(shù)對(duì)二維矩陣進(jìn)行二次特征提取，由奇異值分解后得到對(duì)角陣中對(duì)角線上的元素構(gòu)成特征向量，并結(jié)合支持向量機(jī)實(shí)現(xiàn)智能診斷。以西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的信號(hào)作為以上方法的數(shù)據(jù)支撐，并通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證該方法能夠有效地實(shí)現(xiàn)故障程度和運(yùn)行工況不敏感的滾動(dòng)軸承智能診斷，效