基于WPT-EEMD與多尺度熵的滾動(dòng)軸承故障診斷方法研究.pdf

1、滾動(dòng)軸承作為機(jī)械設(shè)備中最常用和最容易失效的元件之一，其工作狀態(tài)對(duì)機(jī)械設(shè)備的安全保障有著重要意義。對(duì)滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，能夠及時(shí)發(fā)現(xiàn)并診斷故障類(lèi)型，幫助機(jī)械設(shè)備及時(shí)排除安全隱患，對(duì)避免重大事故的發(fā)生以及經(jīng)濟(jì)損失有著重要意義。
　　本文以滾動(dòng)軸承為研究對(duì)象，論述了其機(jī)械結(jié)構(gòu)和常見(jiàn)的故障類(lèi)型，并在對(duì)滾動(dòng)軸承表面損傷類(lèi)故障特征進(jìn)行分析的基礎(chǔ)上，提出了一種基于小波包變換(Wavelet Packet Transform，WPT)與集

2、合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)的滾動(dòng)軸承故障診斷方法并對(duì)該方法進(jìn)行了實(shí)時(shí)優(yōu)化。同時(shí)還采用了基于多尺度熵(Multi-scale Entropy，MSE)的方法對(duì)滾動(dòng)軸承多類(lèi)故障進(jìn)行了診斷。主要研究工作如下：
　?。?）針對(duì)現(xiàn)有的基于WPT與Hilbert解調(diào)的滾動(dòng)軸承故障診斷方法存在頻率干擾的問(wèn)題，提出了一種基于WPT與EEMD的滾動(dòng)軸承故障診斷方法。將該方法

3、用于分析仿真和實(shí)驗(yàn)的滾動(dòng)軸承故障信號(hào)，并與WPT-Hilbert解調(diào)法進(jìn)行對(duì)比，結(jié)果表明 WPT-EEMD能夠有效地判斷滾動(dòng)軸承故障類(lèi)型并提高了WPT-Hilbert的抗干擾性。
　　（2）針對(duì)基于WPT與EEMD的滾動(dòng)軸承故障診斷方法存在運(yùn)行時(shí)間長(zhǎng)，實(shí)時(shí)性差的問(wèn)題，提出了一種基于篩選參量的改進(jìn)式 EEMD(Modified EEMD，MEEMD)方法。WPT與MEEMD方法能夠?qū)PT-EEMD進(jìn)行實(shí)時(shí)優(yōu)化。將優(yōu)化后的算法用于軸

4、承故障診斷中，發(fā)現(xiàn)在同樣的診斷效果下，程序的執(zhí)行效率得到了較大提高，為實(shí)現(xiàn)軸承故障的實(shí)時(shí)監(jiān)測(cè)提供了有利保證。
　　（3）針對(duì)滾動(dòng)軸承的多故障診斷問(wèn)題，采用了基于 MSE與人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)的診斷方法，對(duì)多類(lèi)型，多級(jí)別的軸承故障進(jìn)行診斷，其中將多尺度熵的相關(guān)統(tǒng)計(jì)量作為神經(jīng)網(wǎng)絡(luò)的輸入特征量，BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Network，BPNN)作