随着工业4.0时代的到来,机械设备不断的朝智能化、集成化和精密化的趋势发展,对机械设备的可靠性要求也越来越高,同时促使了故障诊断技术的不断改革与创新。滚动轴承作为旋转机械设备部件发生故障最多部件之一,对其运行状态监测和提高故障诊断具有重要意义。如何从强噪声背景下提出轴承故障特征并有效识别故障类型一直是该领域难以攻克一个难点问题。本文将从特征提取和模式识别两方面对轴承故障信号进行研究,从而实现对滚动轴承故障的智能诊断。论文的研究内容可以概括如下几个方面:(1)在研究变模态经验分解(Variational Mode Decomposition,简称VMD)方法在信号处理方面的应用机理的基础之上,将该方法用于轴承故障信号的分析中。通过仿真实验分析,实验结果表明VMD方法可以有效避免经验模态分解(Empirical Mode Decomposition,简称EMD)存在分解不稳定、端点效应等问题,改善了信号分解的效果,在噪声抑制和噪声鲁棒性方面具有一定的优势。(2)提出一种基于VMD和形态差值滤波的特征提取方法。首先通过VMD方法分解得到若干本征模态分量(Intrinsic Mode Function,简称IMF),通过峭度准则计算得到峭度最大的IMF;然后利用形态差值滤波器进行分析,滤除噪声干扰;最后对提取的信号进行Hilbert包络谱分析。通过实验结果表明,该方法能有效地提取滚动轴承故障的特征频率。(3)为了解决复合故障下轴承故障类型识别率低下的问题,构建混合域特征矩阵,将Kriging模型应用于基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,简称VPMCD)方法中,得到了基于VMD-形态差值滤波与VPMCD的轴承故障诊断方法。将该方法应用于轴承实测信号进行分析,验证了所提方法的实用性。该方法相比于VPMCD方法,有效地提高了轴承故障识别率。
暂无评论