基于時頻分析與智能算法的滾動軸承智能診斷方法.pdf

1、滾動軸承作為機械設(shè)備最常用的零部件之一，它的健康狀態(tài)影響著設(shè)備的工作性能。因此，滾動軸承狀態(tài)監(jiān)測和故障診斷一直是國內(nèi)外故障診斷領(lǐng)域的關(guān)注重點。
　　本文首先闡述了傳統(tǒng)時頻分析工具 Wigner-Ville分布的定義和性質(zhì)，并利用 WVD分布提取特征信息，針對利用Wigner-Ville分布對軸承振動信號進行特征提取后得到二維矩陣維數(shù)較高的問題，利用 SVD進行二次特征提取轉(zhuǎn)換為一維矩陣向量，并結(jié)合主成分分析對進行降維，依照所需累計

2、貢獻率閾值選取前10維構(gòu)成特征向量，輸入到BP神經(jīng)網(wǎng)絡(luò)進行自動識別。實驗結(jié)果表明，該智能診斷方法能夠以較滿意的精度識別滾動軸承故障類型。
　　針對傳統(tǒng)時頻WVD會在處理多分量信號時產(chǎn)生交叉項干擾的問題，提出一種新的時頻分析工具S變換處理滾動軸承故障時的非平穩(wěn)信號。對來自鄭州鐵路局某貨車滾動軸承故障TADS探測站檢測到的內(nèi)圈和外圈故障軸承聲音信號采用S變換得到時頻圖，從時頻圖像可以清晰地發(fā)現(xiàn)軸承外圈振動信號中的沖擊成分，并能剖析振動

3、信號頻率成分隨時間變化情況。基于S變換較好的時頻特性，提出利用S變換提取故障信號特征，對原始信號進行S變換后采用SVD將二維矩陣轉(zhuǎn)換為一維特征向量，然后結(jié)合一種新的非線性流行學(xué)習(xí)方法局部保持投影對特征進行降維，將降維后的特征輸入到徑向基神經(jīng)網(wǎng)絡(luò)自動診斷。實驗結(jié)果表明，該智能診斷方法能夠完全正確地診斷出滾動軸承故障類型，具有較高的可靠性。
　　為滿足工程實際中變載荷工況下滾動軸承智能診斷的需要，提出了一種基于包絡(luò)小波標準偏差包的智能