基于振动信号时频分析的滚动轴承故障诊断

【摘要】：滚动轴承是旋转机械传动装置的重要组成部分之一,因其结构复杂、承受负载大、工作环境恶劣以及长期处于高速运转的工作状态等特点,难免会产生故障。滚动轴承一旦发生故障,将影响整个机械系统的运行状况,为了避免不必要的财产损失和人员损伤,运用有效的滚动轴承故障诊断方法来检测滚动轴承的健康状态是非常有必要的。一般情况下,由于拆卸、机器尺寸或工作环境的限制,滚动轴承无法直接进行检查。滚动轴承振动信号可以反映滚动轴承的工作状态,因此振动信号分析是滚动轴承故障诊断的主要方法之一。然而由于故障信号幅值较小,环境噪声较强,采集到的振动信号是强时变强频变的非平稳信号,这就使得提取故障特征更具挑战性。针对这个问题,本文首先提出了基于可抑制端点效应和模态混合的鲁棒局部均值分解(Robust local mean decomposition,RLMD)和Kmeans++的滚动轴承故障诊断方法;然后,由于基于时频掩膜(Time-frequency masking,TFM)的时间重分配多次同步压缩变换(Time-reassigned Multisynchrosqueezing Transform,TMSST)能够更好地提取强时变和频变信号的特征,本文提出了基于TFM-TMSST和极限学习机(Extreme learning machine,ELM)的滚动轴承故障诊断方法。主要研究内容如下:(1)提出了基于RLMD和Kmeans++的滚动轴承故障诊断方法。针对滚动轴承振动信号通常为非平稳、非线性的调频调幅信号的特点,使用RLMD将滚动轴承振动信号分解为若干个乘积函数(Product function,PF),利用互相关函数筛选敏感PF分量并进行信号重构;计算原始振动信号和重构信号的时、频域统计特征作为初始特征向量;利用线性判别分析(Linear discriminant analysis,LDA)提取滚动轴承Fisher特征向量;使用滚动轴承Fisher特征向量的训练样本集训练Kmeans++聚类模型,得到相应的聚类中心;通过计算测试集与聚类中心的汉明贴近度来诊断测试样本的故障情况。使用包含不同信噪比的仿真滚动轴承故障振动数据和包含不同类型、不同损坏程度的试验台滚动轴承振动数据进行实验分析,实验结果表明提出的方法能够有效地进行滚动轴承故障类型和损坏程度诊断。(2)提出了基于TFM-TMSST和ELM的滚动轴承故障诊断方法。针对滚动轴承振动信号强时变、强频变的特点,首先对滚动轴承振动信号进行TMSST分析,利用TFM技术对得到的TMSST结果进行降噪处理,然后进行信号重构;计算原始振动信号和重构信号的时、频域统计特征作为初始特征向量,使用主成分分析方法(Principal component analysis,PCA)提取包含滚动轴承故障信息的主成分特征,并进一步采用LDA方法增加类间距离,缩小类内距离;使用主成分Fisher特征训练样本集对构建的ELM神经网络模型进行训练;最后测试样本集被用于滚动轴承故障诊断。基于仿真故障滚动轴承振动数据和试验台滚动轴承振动数据被用于实验分析,实验结果表明该方法与其它传统方法相比能够更有效地进行滚动轴承故障诊断。(3)将(1)和(2)中提出的两种方法的实验结果进行对比,并使用Paderborn大学滚动轴承数据中心的滚动轴承数据进行实验,结果表明(1)和(2)方法的诊断效果都很好,且对训练集样本数较少的情况和信噪比较低的情况也具有优良的性能;(1)中的方法滚动轴承故障诊断识别率稍高,但诊断时间要长一些。