论文部分内容阅读
研究滚动轴承故障诊断方法可以防止严重的机械设备损坏,确保设备的长期安全运行。意外的机械故障事故将会导致机体损坏和经济损失。典型的轴承故障诊断处理流程如下:1)从故障轴承中采集振动信号;2)利用包络解调和频率分析方法获得包络谱;3)最终确定存在的故障类型。但是,在提取特征频率的过程中,我们时常受到环境噪声的干扰,这对不利于轴承的诊断和机械的维护。本文研究一种自适应随机共振方法,及其在滚动轴承故障诊断中的应用。结合随机共振增强微弱信号的特性,本文采用一种欠阻尼变步长二阶随机共振(Under-damped Step-variable Second-order Stochastic Resonance,USSSR)方法,该方法特有的二次滤波效果可以有效地增强微弱信号并提高含噪信号的信噪比(Signal-to-noiseRatio,SNR)。随机共振是一个参数滤波器,存在一个或者多个参数需要调节,因此,输出信号的质量依赖于输入系统参数的好坏。调节参数得到最优的输出结果这一过程中需要一个指标,而在随机共振中最常用的参数调优指标是SNR。然而,当目标故障频率不能准确估计时,无法使用SNR指标定量地评价随机共振去噪效果。为了解决这一问题,本文采用功率谱峭度、相关系数、峰值信噪比、结构相似性、均方根误差和平滑度这六个不同的去噪评价指标对随机共振输出进行定量分析。之后,这六个定量指标通过BP神经网络被融合成一个新的综合定量指标(Synthetic Quantitative Index,SQI),使用所提出的指标引导随机共振进行自适应参数选择。该指标在融合过程中降低了各个原指标的不稳定性,提高了参数调整的鲁棒性。同时,使用遗传算法(Genetic Algorithm,GA)帮助系统快速寻优,进一步缩短了诊断所需时间。综上所述,本文研究了基于SQI的自适应随机共振方法及其在滚动轴承故障诊断中的应用。以上的研究都建立在仿真和实验验证的基础之上,本文所提出的方法与传统方法进行对比,具有准确率高、耗时少、便于实现等优点。同时,进一步验证了所提出来的方法在轴承故障诊断中的实用性和有效性。