关键词:
滚动轴承
振动测量
故障诊断
阈值降噪
机器学习
虚拟仪器
摘要:
滚动轴承是旋转机械中应用广泛的核心支承部件,其健康状态会影响整个设备的安全稳定运行;同时,滚动轴承出厂时需要根据国家标准进行振动测量,以判断是否符合质量要求。因此,开展滚动轴承的振动测量和故障分析技术研究具有重要理论意义和实际应用价值。本文以滚动轴承为对象,从振动信号降噪技术、基于人工特征提取的机器学习技术、基于自动特征提取的深度学习技术三个方面,开展轴承振动信号处理和故障诊断技术的研究,提出了一种小波邻域阈值降噪算法、基于联合特征的随机森林和基于MSKACNN模型的轴承故障诊断算法,最后基于虚拟仪器技术设计了一套滚动轴承振动测量和故障分析系统。主要研究内容如下:1)提出一种小波邻域阈值降噪算法。由于测量系统及环境的原因,轴承振动信号时常伴随无用信息和噪声。针对此问题,基于小波阈值降噪算法提出一种新型的邻域阈值函数降噪方法,把相邻的细节信号看成整体进行阈值处理,经过仿真分析和对比实验,相较于其它常用降噪函数,该方法降噪效果更好,具有更高的信噪比提升,且避免了过度降噪的缺陷。2)提出基于联合特征的随机森林故障诊断算法。基于人工特征的机器学习故障诊断过程中,特征提取是必不可少的一步,提取的特征与诊断结果有着直接关系。本文引入振动信号模态分量能量熵特征,与时域特征和频域特征组成特征集合,并将随机森林算法应用于故障诊断,通过与其它常用机器学习算法对比分析,该算法取得更高的诊断准确率和泛化能力,验证了该方法的有效性。3)提出基于MSKACNN的轴承故障诊断模型。在模式识别领域,卷积神经网络因其优越的自动特征提取能力而被广泛应用,取代了繁琐的人工特征提取。本文基于一维卷积神经网络模型,提出一种多尺寸核卷积层结构,相对于未改进的模型WDCNN,通过实验分析和对比,该模型具有更高的诊断准确率和邻域自适应能力。且在“混球”和正常类型的识别中,MSKACNN表现出更高的识别准确率,显示出MSKACNN方法的优点。解决了采用传统信号分析方法进行检测时,难以实现在线检测出“混球”的问题。4)滚动轴承振动测量和故障分析系统设计。借助于Lab View、MATLAB和Python混合开发,按照相关国家标准设计了一套完整的滚动轴承振动信号测量和故障分析系统,包括信号测量、保存和诊断功能。在智能诊断方面,研发了一种将智能诊断算法嵌入振动信号采集系统中的方法,实现了机器学习算法模型对采集的轴承振动信号流的实时分析。所研发的系统既可用于故障轴承诊断;也可用于轴承的质量判定,分析轴承加工中存在的问题,为轴承生产企业提高轴承加工质量提供依据。