滚动轴承故障特征增强方法与状态预测研究

【摘要】： 滚动轴承是机械设备中的关键部件,其运行是否正常对整个机组有着至关重要的影响。由于滚动轴承早期故障特征信息较微弱,且易受正常信号和现场噪声的干扰,这给实际故障诊断带来了很多困难,因此如何在其故障发展的早期准确诊断轴承故障是当前亟待解决的问题。此外,当诊断出滚动轴承存在早期故障时,由于实际生产需要,往往不能,也不需立即停机维修或更换,通常是采取定期监测的方法,根据历史监测数据进行合理、准确的预测,因而预测技术成为机械设备预知维修的关键之一。本文针对以上两个问题分别进行了研究,并提出了有效的解决方法。 小波包分解是滚动轴承故障诊断中常用的有效方法之一,本文通过对小波包分解得到的各频带进行研究,提出一种基于小波包-坐标变换(WP-CT)的故障特征增强方法。考虑到各频带中包含的正常或故障信息,将小波包所有子带进行主分量(PCA)或独立分量(ICA)分解,进而构建新的特征信号。经仿真信号和工程实际信号验证,相比传统的包络解调方法,基于小波包-坐标变换的方法能够突出故障特征,减少正常信号的干扰,有利于滚动轴承早期故障诊断技术的发展。 对于滚动轴承的状态预测,本文选取建模机理较为简单灰色预测模型。GM(1,1)模型是灰色理论中最具有代表性的基础内容,其贫信息、高精度、简单易行的建模特点已在各方面得到广泛应用。然而在GM(1,1)模型成功运用的同时,传统GM(1,1)模型也出现了一些问题,如预测偏差大,适用范围窄等缺陷。为了提高此方法在设备预知维修中的实用性,本文对GM(1,1)的预测模型进行了研究,并提出一种基于加权和最小平均相对误差的灰色改进算法。经对比,这是一种精度更高、适用范围更广的预测算法。将改进算法应用于滚动轴承状态预测,取得了不错的效果。此外,改进算法对于机械设备的预知维修具有一定的参考价值。