基于LMD的滚动轴承故障诊断Word文档下载推荐.docx
- 文档编号:13474084
- 上传时间:2022-10-11
- 格式:DOCX
- 页数:52
- 大小:1.92MB
基于LMD的滚动轴承故障诊断Word文档下载推荐.docx
《基于LMD的滚动轴承故障诊断Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《基于LMD的滚动轴承故障诊断Word文档下载推荐.docx(52页珍藏版)》请在冰豆网上搜索。
关键词:
滚动轴承;
故障诊断;
振动信号;
局部均值分解
ABSTRACT
Rollingbearingisanimportantpartofrotatingmachinery,whichisusedinvariousmachinerysectorswidely,alsoisoneofthemostvulnerablepartsofthemachine.Inthispaper,withthelocalmeandecomposition(localmeandecomposition,referredtoastheLMD)algorithm,writteninasignalanalysissystemforanalyzingrollingbearingvibrationsignalandextractingfaultcharacteristicsachievingfaultdiagnosis.
Firstly,theprinciplesofLMDwasstudied,LMDconcretealgorithmwithMATLABwaswrote,andotherliteratureanalogsignaltestingtoverifythecorrectnessofcompiledprograms.Secondly,signalanalysissoftwarebasedonLMDwithMATLABGUIwasdesigned,thesoftwareinterfaceisfriendlyandeasytouse.Finally,severalgroupsofrollingbearingvibrationsignalmeasuredwasanalyzedtoextractthesignalcharacteristicfrequency.Theresultsshowthattheanalysissoftwaredesignedinthepapercanidentifyseveraltypicalfaultsofrollingbearingscorrectly.
Keywords:
rollingbearing;
faultdiagnosis;
vibrationsignal;
localmeandecomposition
第1章引言
1.1研究意义及目的
随着科技的发展,现代工业正逐步向生产设备大型化、复杂化、高速化和自动化方向发展,在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势[1]。
但是,由于故障所引起的灾难性事故及其所造成的对生命与财产的损失和对环境的破坏等也是很严重的[2],这就使得人们对诸如航空航天器、核电站、热电厂及其他大型化工设备的可靠性、安全性提出了越来越高的要求。
除了在设计与制造阶段,通过改进可靠性设计、研究和应用新材料、新工艺以及加强生产过程中的质检控制措施提高系统的可靠性与安全性外,提高系统可靠性与安全性的另一个重要途径就是对系统的工作状态进行实时的监测与诊断,从而实现对设备的有效控制,并对灾难性故障的发生进行预警,为采取相应的补救措施提供有效的信息[3]。
故障诊断理论就是为了满足对系统可靠性和安全性要求的提高,减少并控制灾难性事故的发生而发展起来的[4]。
因此,故障诊断理论的发展必将促进故障监测和监控系统的快速发展与广泛应用,从而可以进一步的提高系统运行的可靠性与安全性,并由此产生巨大的经济和社会效益。
与其他机械零部件相比,滚动轴承有一个很独特的特点,那就是其寿命的离散性很大[5]。
由于轴承的这一特点,在实际使用中就会出现这样一种情况:
有的轴承已大大超过其设计寿命而依然能正常地工作,而有的轴承远未达到其设计寿命就出现各种故障。
因此,如果按照设计寿命对轴承进行定期维修:
一方面,会造成将超过设计寿命而仍正常工作的轴承拆下作报废处理,造成浪费;
另一方面,未达到设计寿命而出现故障的轴承没有被及时的发现,直到定期维修时才被拆下来报废,使得机器在轴承出现故障后和报废前这段时间内工作精度降低,或者未到维修时间就出现严重故障,导致整部机器陷于瘫痪状态[6]。
因此,进行滚动轴承工作状态及故障的早期检测与故障诊断,对于设备安全平稳运行具有重要的实际意义[7]。
随着现代化机械设备日益高速化、自动化、大型化、复杂化,人们对于机械设备的安全性和可靠性的要求越来越高,一旦机械设备运行失常,将会给生产、质量带来巨大影响甚至对人们的生命构成威胁[8]。
由此可见,故障诊断对于连续生产系统具有极其重要的意义。
机械故障诊断的主要作用[9]有:
1、避免突发故障造成巨大的经济损失。
采用故障诊断技术,可以减少突发事故的发生,从而避免突发事故造成的损失,带来可观的经济效益。
2、减少维修费用,维修成本。
采用故障诊断技术,可以保证机械设备发挥出最大的设计能力,制定出合理的设备维修制度,充分挖掘设备潜力,以延长设备的服务期限和使用寿命,同时设备全寿命周期费用,从而降低机械设备的维修成本。
3、带动和促进其它相差学科的发展。
故障诊断涉及多方面的科学知识,诊断工作的深入开展,必将推动边缘学科的相互交叉、渗透和发展,如:
数据采集、信号处理、故障特征提取、模式识别、人工智能等一系列物理、数学方法等。
因此,针对滚动轴承的各类故障,设计出一种故障诊断系统,不仅能够避免巨大的经济损失和重大的生命安全威胁。
滚动轴承的振动信号大多为非线性的信号,因此故障诊断的重点在于时频分析方法的选择,而LMD是一种非常适合于分析非线性信号,使用LMD对滚动轴承振动信号进行时频分析。
所以设计基于LMD的滚动轴承故障诊断系统具有十分重要的意义。
1.2滚动轴承故障诊断的研究现状
自二十世纪六十年代以来,国内外学者对轴承的故障诊断做了大量的研究工作,各种方法与技巧不断产生、发展和完善,应用领域不断扩大,诊断精度也不断提高[11]。
时至今日,故障诊断技术己成为一门独立的跨学科的综合信息处理技术,它以可靠性理论、信息论、控制论、系统论为理论基础,以现代测试仪器和计算机为技术手段,结合各种诊断对象(系统、设备、机器、装置、工程结构、工艺过程等)的特殊规律而逐步形成一门新兴的学科[12]。
总的来说,轴承故障诊断的发展经历了以下几个阶段[13]:
第一阶段:
利用通用的频谱分析仪诊断轴承故障;
第二阶段:
利用冲击脉冲技术诊断轴承故障;
第三阶段:
利用共振解调技术诊断轴承故障;
第四阶段:
以计算机为中心的故障诊断。
伴随着轴承故障诊断这四个阶段的发展,故障诊断理论和新的信号测试与处理方法也不断地出现。
但就基于信号处理技术的诊断方法而言,可以分为两大类为[14]:
一是基于传统信号处理的故障诊断方法,如频谱分析法、幅值参数指标分析法、冲击脉冲法、共振解调法等;
二是基于现代信号处理的故障诊断方法,如现代谱分析法、时频分析法、非高斯信号处理法、非线性技术处理法、智能诊断法等方法。
在滚动轴承故障诊断中,故障特征信息的选择和提取一直是诊断的关键[15],它直接影响到故障诊断结果的准确性。
滚动轴承故障振动信号大都为非平稳信号,因此在故障诊断过程中有必要采用适合于处理非平稳信号的特征提取方法[16]。
由于时频分析方法能同时提供振动信号在时域和频域的局部化信息而在滚动轴承故障诊断中得到了广泛的应用。
常见的时频分析方法[17]有Wigner分布、短时傅里叶变换、小波变换等。
这些分析方法都有各自的局限性。
如Wigner分布对多分量信号进行分析时会产生交叉项。
短时傅里叶变换的时频窗口大小是固定不变的。
小波变换虽然具有可变的时频窗口。
但是和短时傅里叶变换一样是对时频平面的机械格型分割。
本质上它不是一种自适应的信号处理方法。
EMD(empiricalmodedecomposition,简称EMD)是一种自适应的信号处理方法[18]。
它将复杂的多分量信号自适应地分解为若干个MF(modefunction,简称MF)分量之和,进一步对每个MF分量进行Hilbert变换求出瞬时频率和瞬时幅值,从而得到原始信号完整的时频分布。
EMD方法自提出后在机械故障诊断等很多领域都得到了应用,但是在理论上还存在一些问题,如EMD方法中的过包络、欠包络、模态混淆、端点效应、MF分量判据和没有快速算法等问题,还有在利用Hilbert变换形成解析信号后计算瞬时频率时会产生无法解释的负频率,这些问题仍然处在研究当中。
2005年,Jonathan.S.Smith[19]提出了一种新的自适应时频分析方法—LMD(Localmeandecomposition,简称LMD)方法。
LMD方法将一个复杂的多分量信号分解为若干个PF(Productfunction,简称PF)分量之和。
其中第一个PF分量由一个包络信号和一个纯调频信号相乘而得到,很好地保持了原始信号的幅值和频率变化特性,将所有PF分量的瞬时幅值和瞬时频率组合便可以得到原始信号完整的时频分布。
对其进行分析可以更准确有效地把握原始信号特征信息。
特别重要的是,LMD方法是依据信号本身而进行的自适应分解,得到的第一个PF分量都具有一定的物理意义,反映了信号的内存本质,具有很高的信噪比,非常适用于非平稳、非线性信号的处理。
当滚动轴承发生故障时,其振动信号通常是多分量的复杂调制信号,要提取出故障特征,就需要对其进行解调,采用LMD方法对轴承故障振动加速度信号进行自适应分解,可以得到若干个PF分量,同时求得各个PF分量的瞬时幅值和瞬时频率,然后对各个PF分量的瞬时幅值作频谱分析,以此来提取轴承的故障特征,从而诊断出滚动轴承的故障。
由于LMD的诸多优点,在滚动轴承的故障诊断中,LMD得到了诸多的应用[20]。
比如2009年BaojiaChen[4]教授提出了采用LMD对滚动轴承的原始故障信号进行分析处理,用得到的PF分量的特征属性来判断滚动轴承的工作状态和故障类型。
再比如2010年湖南大学的程军圣教授[2]等人提出了一种基于LMD与神经网络的滚动轴承故障诊断方法,即将LMD与BP神经网络结合起来,对滚动轴承进行故障诊断,采用LMD方法将滚动轴承轴承振动信号进行分解,得到若干个单分量的调幅-调频信号,进一步对提取这些单分量信号的偏度系数、峭度系数以及能量等特征向量作为神经网络的输入参数,采用神经网络的输出对滚动轴承的工作状态和故障类型进行分类,从而识别出滚动轴承的故障。
2012年湖南大学的杨宇等人就提出了一种基于LMD的功率谱特征值的滚动轴承故障诊断方法,即通过LMD将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF分量之和,由于每一个PF分量是分量包络信号和信号的积,因此可以直接对包络信号进行频谱分析得到功率谱,然后定义信号在包络不同故障特征频率处的幅值比为功率谱特征值,并以此作为特征向量输入到支持向量机分类器中,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LMD 滚动轴承 故障诊断