基于振動信號的電機軸承故障診斷方法研究.pdf

1、電機是現(xiàn)代工業(yè)過程中重要的驅(qū)動設備，軸承是電機中最基本的部件，也是最容易發(fā)生故障的部件之一，電機故障的很大部分都與軸承有關，為了保障電機設備的正常運轉(zhuǎn)，對電機軸承的故障診斷技術進行研究具有重大的實際意義。其中振動信號具有抗干擾能力強，能夠檢測出輕微故障等優(yōu)點，成為了軸承故障診斷中最常用的一種信號。因此本文重點研究了基于振動信號的電機軸承故障診斷方法，重點對故障診斷過程中故障的檢測、故障特征的提取以及故障模式識別這三個階段進行了研究，并提

2、出了完整的電機軸承故障診斷方法。主要的研究如下：
　　考慮到軸承發(fā)生故障時，信號的復雜度會增加的特點，研究了基于排列熵的軸承故障檢測方法，并提出了基于樣本熵的電機軸承故障檢測方法，為了避免故障檢測閾值選取的盲目性，采用了切比雪夫不等式理論的故障檢測閾值設置方法，并利用美國凱斯西儲大學的軸承數(shù)據(jù)進行了實驗，結果證明了排列熵與樣本熵都能夠衡量軸承振動信號的復雜性，可以應用于電機軸承故障的檢測。
　　針對難以從復雜的振動信號中提取

3、故障特征的問題，分別采用了基于小波包能量熵與集合經(jīng)驗模態(tài)分解的軸承故障特征提取方法。介紹了小波包基本原理，通過對故障頻率的計算確定了小波包分解層數(shù)的最佳范圍，避免了分解層數(shù)選擇不當產(chǎn)生的負面影響，并利用小波包能量熵來表征軸承故障特征。然后，針對于小波包分解沒有自適應性的缺陷，研究了基于集合經(jīng)驗模態(tài)分解的特征提取方法，并利用相關系數(shù)的計算剔除了分解出的偽分量。采用樣本熵與排列熵度量集合經(jīng)驗模態(tài)分解分解結果中各個本征模態(tài)分量的復雜程度，構成

4、故障特征向量。利用電機軸承故障數(shù)據(jù)進行了測試，表明采用小波包能量熵和集合經(jīng)驗模態(tài)分解這兩種方式提取出的特征向量都具有很好的聚類性和可分性，能夠有效地提取出對不同類型與不同程度的故障特征。
　　為了實現(xiàn)電機軸承故障的智能診斷，提出了基于多分類相關向量機（M-RVM）的電機軸承故障識別方法，該方法無需構造多個二元分類器，可直接實現(xiàn)多分類。利用電機軸承故障特征向量進行分類實驗，結果證明多分類相關向量機能夠有效地應用于電機軸承故障識別中，