基于小波變換的機(jī)械軸承磨損故障特征提取方法研究.pdf

1、滾動(dòng)軸承是許多機(jī)械設(shè)備上不可缺少的零器件，滾動(dòng)軸承故障對(duì)整個(gè)機(jī)械設(shè)備甚至整條產(chǎn)線都有較大的影響。在滾動(dòng)軸承的各種故障類(lèi)型中，內(nèi)圈的故障信號(hào)相對(duì)于滾動(dòng)體、保持架和外圈故障的故障信號(hào)更加隱蔽，不易發(fā)現(xiàn)，其特征提取更加困難，所以，對(duì)滾動(dòng)軸承內(nèi)圈故障的特征提取方法進(jìn)行研究是非常有必要的。
　　論文的主要內(nèi)容體現(xiàn)在以下幾點(diǎn):
　　首先研究了基于小波變換的信號(hào)特征提取的方法，研究了近似熵、樣本熵、排列熵、能量譜和能量矩算法，并進(jìn)行了編程

2、實(shí)現(xiàn)。研究了基于小波變換的近似熵、樣本熵、排列熵算法和基于小波包變換的能量譜、能量矩算法，研究了上述算法在滾動(dòng)軸承內(nèi)圈故障的特征提取中的應(yīng)用。
　　其次，分別采用近似熵、樣本熵、排列熵算法對(duì)滾動(dòng)軸承縱向加速度信號(hào)進(jìn)行特征提取，并實(shí)現(xiàn)了上述算法，對(duì)上述三種算法的特征提取結(jié)果進(jìn)行分析比較。分析四種滾動(dòng)軸承內(nèi)圈磨損故障狀態(tài)和正常狀態(tài)在小波分解各頻段上的特征差異，并用SVM進(jìn)行識(shí)別。結(jié)果表明，在對(duì)五種工況的識(shí)別中，小波近似熵對(duì)正常工況的識(shí)

3、別效果較為明顯;小波樣本熵對(duì)正常工況、內(nèi)圈磨損0.021英寸工況、內(nèi)圈磨損0.028英寸工況的識(shí)別效果較為明顯;小波排列熵對(duì)內(nèi)圈磨損0.007英寸工況、內(nèi)圈磨損0.021英寸工況、內(nèi)圈磨損0.028英寸工況的識(shí)別效果較為明顯。通過(guò)低頻段信號(hào)熵值偏高這一實(shí)驗(yàn)結(jié)果，驗(yàn)證了滾動(dòng)軸承在工作狀態(tài)下，低頻段較高頻段信號(hào)分布更為混亂的信號(hào)特點(diǎn)。
　　再其次，用小波包變換的方法，將各頻段重構(gòu)的信號(hào)的能量譜和能量矩作為特征參數(shù)，通過(guò)觀察滾動(dòng)軸承五種