论文部分内容阅读
滚动轴承作为大型机械中一个非常重要的组成部分,因为其经常工作在复杂工况和恶劣环境之中,因此滚动轴承是最容易损坏的机械零件之一。2014年某电厂两台总装容量4×100组的送风机因为轴承温度过高导致部分轴承滚脱落,从而导致风机停运。因此一旦发轴承生故障,将带来很大的安全隐患和经济损失。所以对滚动轴承的故障诊断方法进行研究具有非常重要的意义。本文针对EMD、EEMD这些比较传统的时频信号分解方法所存在的一些缺点,采用了一种比较新的信号分解方法VMD。同时通过构造一些仿真函数分别利用VMD和EEMD进行分解,所得结果能够更好地说明EEMD所存在的一些问题如模态混叠和端点效应现象。然后通过分解实际滚动故障轴承信号并且根据其中心频率相近原则确定了VMD模态参数K,利用VMD分解实际轴承故障信号更好地说明了VMD可以更加精确地发现故障特征率特征。接着具体介绍了排列熵与多尺度排列熵的基本原理。说明了多尺度排列熵是多尺度理论与信息熵理论所结合的产物,多尺度排列熵既可以深层次地挖掘故障信号的特征,又能够清楚地对故障特征进行定量描述,说明了多尺度排列熵能够灵敏地捕捉到信号在各个时间尺度下的特征信息。同时通过构造仿真函数并求其多尺度排列熵值从而更好的理解了多尺度排列熵算法的定义。最后对多尺度排列熵算法的一些关键参数进行了确定。然后具体介绍了实验数据的的采集过程以及实验数据的处理。最后通过VMD与多尺度排列熵算法相结合,通过VMD分解实验室所采集到的不同类型的轴承故障信号,并分别计算了每个模态分量的多尺度排列熵值。并通过基于VMD-MPE的方法构建了特征向量。最后就是滚动轴承故障进行识别的过程,利用流程图更直观地介绍了滚动轴承故障识别的完整过程。并且介绍了LSSVM的基本原理。将所构造特征向量输入到训练好的LSSVM中进行识别分类。同时通过本文所提方法计算不同转速下的轴承,转速不同其故障诊断结果也不相同。实验结果表明在转速为1000r/min时故障诊断准确率为92.5%。转速为1500r/min时故障诊断准确率为97.5%。转速为2000r/min时故障诊断准确率为93.3%。