基于时延相关解调与B样条模糊神经网络的轴承故障诊断

【摘要】： 滚动轴承作为各类旋转机械中最常用的通用零部件之一,也是旋转机械易损元件,因此滚动轴承故障诊断的理论、方法和应用得到特别的重视。 振动分析是进行滚动轴承状态监测与故障诊断的重要手段。本文旨在研究滚动轴承的振动信号处理和模式识别的方法。为此,首先设计并搭建了滚动轴承故障诊断实验台,进行了大量实验;采集到滚动轴承正常状态、外圈故障和内圈故障的振动信号;对振动信号进行了常规的时域、FFT、倒频谱分析以及时延相关解调分析,通过对应的谱图初步诊断轴承的故障类型;构建BP网络和B样条模糊神经网络,将特征提取到的信号进行归一化处理,分别输入这两种网络进行模式识别,最终识别出滚动轴承的故障类型;最后利用.NET平台编写了滚动轴承状态监测诊断系统,以实现更好的人机交互。 滚动轴承的振动信号呈现调制特征,因此对测得的振动信号进行解调是滚动轴承故障诊断的关键,常规分析和包络解调技术对此类信号进行分析时易受噪声影响,使得滚动轴承故障特征难以凸显。故本文采用时延相关解调法用于滚动轴承的故障诊断,这一方法的实现步骤是首先对测得的振动信号进行自相关分析,再对自相关函数进行时延,然后对时延后的自相关函数进行Hilbert变换解调。实验分析结果证实了时延相关解调技术是一种良好的降噪解调技术,并且文中对时延相关解调法的时延量做了研究,通过选择不同的时延量值进行比较分析,发现时延量在某区间内可以任意选取。 抽取对振动信号分析后的有效特征,将其作为神经网络的输入。本文主要采用BP神经网络和B样条模糊神经网络进行识别,BP网络在进行识别时虽然效果比较良好,但缺点也表现出来:网络训练时表现出“黑箱”的性质,收敛速度慢等。而B样条模糊神经网络内部结构连接透明,在网络进行训练时能方便地根据实际需要调节网络结构,同时B样条模糊神经网络的局部学习和存储的特性使得收敛速度快,便于实现在线监测。通过这两种网络的对比发现B样条模糊神经网络在训练速度和识别率上均优于BP网络。 最后利用.NET这一良好平台,设计并编写了滚动轴承状态监测诊断系统,将C#与Matlab联合应用实现良好的人机交互界面,让整个系统变得更智能且操作更简单。