基于局部均值分解的滾動(dòng)軸承故障診斷系統(tǒng)研究與應(yīng)用.pdf

1、針對(duì)大型設(shè)備逐漸趨于復(fù)雜化、一體化、智能化，錯(cuò)綜復(fù)雜的設(shè)備之間的關(guān)聯(lián)與耦合作用愈來愈強(qiáng)，極大影響了設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)與故障診斷的有效性，繼而給機(jī)械故障診斷領(lǐng)域帶來了巨大挑戰(zhàn)。論文以滾動(dòng)軸承故障特征提取與智能診斷系統(tǒng)研究為主要研究?jī)?nèi)容，將局部均值分解(Local Means Decomposition，LMD)作為核心技術(shù)，結(jié)合非線性動(dòng)力學(xué)理論與人工智能分類技術(shù)對(duì)上述背景下的滾動(dòng)軸承故障診斷系統(tǒng)展開研究。
　　針對(duì)局部均值分解存在端點(diǎn)

2、效應(yīng)與模態(tài)混疊現(xiàn)象，論文對(duì)LMD算法上稍作改進(jìn)，首先采用基于局部波形積分匹配方法來抑制端點(diǎn)效應(yīng)，該方法通過三點(diǎn)積分曲線法在信號(hào)內(nèi)部搜索最佳匹配波形，在局部信號(hào)端點(diǎn)處采用擴(kuò)展波形抑制端點(diǎn)效應(yīng)。針對(duì)LMD存在模態(tài)混疊問題，提出基于總體均值分解與頻率截止方法抑制模態(tài)混疊，該方法采用功率譜分析求得原始信號(hào)中頻率成分最小的信號(hào)，再向原始信號(hào)中加入等幅值的高斯白噪聲，對(duì)混合信號(hào)進(jìn)行反復(fù)LMD分解，將得到的分量瞬時(shí)頻域與信號(hào)最小截止頻率對(duì)比，以此作為

3、分量迭代終止條件。通過仿真與實(shí)驗(yàn)數(shù)據(jù)分析，驗(yàn)證所提方法不僅能夠改善LMD在端點(diǎn)效應(yīng)與模態(tài)混疊的問題，對(duì)于低頻偽分量的抑制也有較好的效果。
　　為了簡(jiǎn)化故障診斷流程，論文在改進(jìn)的LMD算法的基礎(chǔ)上，采用模糊熵對(duì)故障特征進(jìn)行量化處理，從多個(gè)角度對(duì)原始信號(hào)進(jìn)行深度剖析，提取全面表征故障特征的特征向量，結(jié)合具有極強(qiáng)的非線性分類能力的概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)實(shí)現(xiàn)故障模式識(shí)別。