基于K-L散度的滚动轴承故障诊断及状态监测方法研究

发布时间：2024-03-09 15:59

　　滚动轴承作为旋转机械的关键元器件之一,直接影响机械运转的可靠性及稳定性。如何利用大量的轴承监测数据,深入挖掘其中故障信息,实现故障诊断与状态监测亦是值得深入研究的问题。现有的大多数轴承故障诊断与状态监测方法都是独立考虑单个样本的特征信息,较少关注同状态样本间的关联性。而这种关联性可能蕴含着重要的故障和状态信息。若能充分利用同一故障状态统计特性相似、不同故障状态样本统计特性不同这一特点,有助于提高故障识别精度。基于这种思想,本文以滚动轴承作为研究对象,开展基于K-L散度的滚动轴承故障诊断与状态监测方法研究。论文主要工作及创新如下:(1)针对总体经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)存在虚假本征模态分量(Intrinsic Mode Function,IMF)问题。本文利用K-L散度(Kullback-Leibler Divergence)以及峭度系数相结合的方法去除虚假分量。从而为后续故障诊断与状态监测提取更加有效的特征。(2)为了全面刻画滚动轴承振动信号各状态特征信息,采用一种将信号时域、频域及时频域等多域特征提取融合的方...

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

图２－１?ＥＭＤ分解流程图??Ｆｉｇ２－１?ＥＭＤ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｆｌｏｗ?ｃｈａｒｔ??２．１．３?ＥＥＭＤ原理及算法??１４??

?（２－１）??／＝１??其中，Ｃｔ（ｔ）为各个ＩＭＦ分量，⑴为剩余分量。具体ＥＭＤ分解流程如图２－??１所示：????输入信号ｘ（ｔ）???Ｉ???ｒ⑴＝ｘ（ｔ），ｉ＝ｌ??确定ｘ（ｔ）的局部极大值点和局部极小值点??拟合上包络线Ｅ１和下包络线Ｅ２???Ｉ???ａ（ｔ）?＝?（....

图２－２?ＥＥＭＤ算法流程图??Ｆｉｇ２－２?ＥＥＭＤ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??总体经验模态分解法有两个非常重要的参数：１．总体集成数Ａ／；?２．白噪声的幅??值

?（２－１）??／＝１??其中，Ｃｔ（ｔ）为各个ＩＭＦ分量，⑴为剩余分量。具体ＥＭＤ分解流程如图２－??１所示：????输入信号ｘ（ｔ）???Ｉ???ｒ⑴＝ｘ（ｔ），ｉ＝ｌ??确定ｘ（ｔ）的局部极大值点和局部极小值点??拟合上包络线Ｅ１和下包络线Ｅ２???Ｉ???ａ（ｔ）?＝?（....

图２＿３凯瑟西储大学实验测试平台??Ｆｉｇ２－３?Ｃａｓｅ?ｗｅｓｔｅｒｎ?ｒｅｓｅｒｖｅ?ｕｎｉｖｅｒｓｉｔｙ?ｅｘｐｅｒｉｍｅｎｔａｌ?ｔｅｓｔｉｎｇ?ｐｌａｔｆｏｒｍ??（２）信号采集??

图２＿３凯瑟西储大学实验测试平台??Ｆｉｇ２－３?Ｃａｓｅ?ｗｅｓｔｅｒｎ?ｒｅｓｅｒｖｅ?ｕｎｉｖｅｒｓｉｔｙ?ｅｘｐｅｒｉｍｅｎｔａｌ?ｔｅｓｔｉｎｇ?ｐｌａｔｆｏｒｍ??（２）信号采集??两台加速度传感器分别安装在试验台的驱动端与风扇端轴承座１２点钟方向上，??并利用一个１....

图２？４内圈故障振动信号时域图??Ｆｉｇ２－４?Ｔｉｍｅ?ｄｏｍａｉｎ?ｄｉａｇｒａｍ?ｏｆ?ｉｎｎｅｒ?ｒｉｎｇ?ｆａｕｌｔ?ｖｉｂｒａｔｉｏｎ?ｓｉｇｎａｌ??

ｒ为轴承转速，单位：ｒ／ｍｉｎ；?ｎ为滚珠数目；ｄ为滚动体直径；０为轴承??直径；《为滚动体接触角。由公式（２－１７）、（２－１９）计算可得理论内圈故障频率为??１５７．９４Ｈｚ。内圈故障振动信号时域图如图２－４所示。该信号经ＥＥＭＤ分解后的各??个ＩＭＦ分量的时域图如图２－５所....

本文编号：3923592