滾動軸承故障程度和工況不敏感智能診斷方法研究.pdf

1、滾動軸承廣泛應用于各類旋轉機械設備中且工作環(huán)境十分復雜和惡劣，其健康狀態(tài)直接關系旋轉機械的整機性能，一旦失效可能導致潛在的經濟損失和安全事故。另一方面，現(xiàn)代旋轉機械設備正朝著集成化和自動化方向發(fā)展，對其進行故障診斷所需的數(shù)據(jù)量越來越多，對智能診斷的需求尤其迫切，以減少人工主觀性影響。因此，有效地進行滾動軸承智能診斷對于旋轉機械設備具有重要的現(xiàn)實意義。
　　機械故障智能診斷過程主要包括三個步驟：振動信號的獲取，故障特征信息的提取，故

2、障狀態(tài)的模式識別。整個過程中的振動信號獲取是基礎，特征提取是關鍵，將直接影響模式識別的準確性和可靠性，故障模式的識別是結果。本文以滾動軸承為研究對象，研究以下幾類滾動軸承故障智能診斷方法：（1）研究以熵為滾動軸承的運行振動特征，利用以Tsallis熵和樣本熵為基礎，分別利用小波包分解和提升小波包分解方法，用以在多個尺度上描述非線性、非平穩(wěn)性振動信號的復雜度，結合概率神經網(wǎng)絡和徑向基神經網(wǎng)絡提出兩種滾動軸承智能診斷方法，并通過從QPZZ-

3、Ⅱ故障模擬平臺上采集到的滾動軸承十種不同健康狀態(tài)振動信號驗證了兩種基于熵的滾動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型多分類器集成的模式識別方法，利用二叉樹結構將原多類分類問題轉換成在每個節(jié)點處的2類分類問題，從而可以在二叉樹每個節(jié)點處采用基于多數(shù)投票法和三種神經網(wǎng)絡分類器實現(xiàn)多分類器集成系統(tǒng)。并以西儲大學軸承數(shù)據(jù)中心的振動信號通過對比實驗來驗證方法的有效性；（3）研究一種滾動軸承故障程度和運行工況不敏

4、感智能診斷方法，針對工程實際中訓練樣本集和測試樣本集雖然故障類型相同（如均為滾動體故障），但故障程度和運行工況卻可能不同的問題，提出了對軸承振動信號經過S變換后得到二維矩陣，并采用奇異值分解技術對二維矩陣進行二次特征提取，由奇異值分解后得到對角陣中對角線上的元素構成特征向量，并結合支持向量機實現(xiàn)智能診斷。以西儲大學軸承數(shù)據(jù)中心的信號作為以上方法的數(shù)據(jù)支撐，并通過實驗來驗證該方法能夠有效地實現(xiàn)故障程度和運行工況不敏感的滾動軸承智能診斷，效