论文部分内容阅读
当滚动轴承在非平衡载荷条件下工作时，承受交变应力的作用，是机械设备中容易出现故障的部件之一。滚动轴承使用寿命具有较大的离散性，其故障会严重影响机械设备的运行。由于滚动轴承的重要性和故障的频发性，所以需要对其进行状态监测和故障诊断，这也是国内外各个工程技术领域非常重视的研究方向。对滚动轴承振动信号进行分析是对其进行故障诊断的有效途径，而滚动轴承振动信号属于非平稳信号，因而采用具有自适应性的经验模态分解(EMD)方法对其进行分析，获取信号中包含的故障信息。 首先，本文对滚动轴承的结构、失效形式、振动机理及其信号特征做了简要介绍，并对其特征频率及固有频率进行了计算。其次，对适用于分析滚动轴承非平稳振动信号的EMD方法及对滚动轴承故障模式进行分类的BP神经网络进行了重点研究。 本文以EMD方法为分析手段，对滚动轴承振动信号进行处理，获取了与振动信号相对应的若干个内禀模态（IMF）分量。由于IMF能量中包含轴承的故障信息，因此提取IMF能量作为信号的特征量对滚动轴承进行故障模式进行描述。BP神经网络能够准确识别故障原因、区分故障类型，所以将其作为故障分类器对故障特征量进行识别和分类。并重点讨论了采用EMD方法和BP神经网络实现滚动轴承故障诊断的技术路径。 本文基于Matlab平台进行数值计算和仿真，并基于LabView与Matlab的混合编程技术开发了滚动轴承故障监测与诊断系统。系统中包含了数据采集、轴承特征参数、信号EMD处理、提取故障特征量、故障模式诊断等多个模块，系统能够对滚动轴承的工况进行监测和诊断。