【技术实现步骤摘要】
本专利技术属于滚动轴承的故障诊断
,具体涉及一种基于Hilbert-Huang变换和奇异值分解在变工况下的滚动轴承故障诊断方法。
技术介绍
滚动轴承的作用是支承转动轴及轴上零件，并保持轴的正常工作位置和旋转精度，其特点是使用维护方便、工作可靠、起动性能好、在中等速度下承载能力较高。滚动轴承是机械设备中常用的关键零部件，其工作状态是否正常直接关系到整台机组乃至整条生产线的生产质量和安全。与其他机械零部件相比，滚动轴承有一个突出的特点其寿命离散性大，即在实际工程应用中，有的轴承已大大超过设计寿命而依然完好无损地工作，而有的轴承远未达到设计寿命就出现故障。因而研究滚动轴承的故障检测和诊断技术，对于避免重大事故、减少人力物力损失以及变革维修体质等具有重要的理论研究价值和实际应用意义。在滚动轴承故障检测和诊断领域，由于实际工作中滚动轴承的工况常常发生改变，导致其故障诊断方法中的各参数甚至诊断方法有时也随之改变，而目前现存的诊断方法中，傅里叶变换要求系统是线性的，信号必须为严格周期或是稳定的，这使得其在分析非线性非稳定信号时失去了其物理意义，小波分析尽管体现了在非稳定...
【技术保护点】
一种变工况下的滚动轴承故障诊断方法，其特征在于，具体包括如下步骤：步骤一、获取滚动轴承在正常状态、内圈故障、外圈故障和滚动单体故障四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含n个采样数据；步骤二、对每组时域信号分别进行Hilbert?Huang变换处理，处理过程为：步骤2.1：对待处理的时域信号进行经验模态分解，得到基本模态分量，基本模态分量包含了该时域信号的不同时间尺度的局部特征信号；步骤2.2：选取前k个基本模态分量，对选取的每个基本模态分量分别做Hilbert变换并解析，得到解析结果H1(t)~Hk(t)，对H1(t)~Hk(t)取其各自包络，...
【技术特征摘要】
1.一种变工况下的滚动轴承故障诊断方法，其特征在于，具体包括如下步骤步骤一、获取滚动轴承在正常状态、内圈故障、外圈故障和滚动单体故障四种状态下的时域信号；设每种状态下获取N组时域信号，每组时域信号包含η个采样数据；步骤二、对每组时域信号分别进行Hilbert-Huang变换处理，处理过程为步骤2.1 :对待处理的时域信号进行经验模态分解，得到基本模态分量，基本模态分量包含了该时域信号的不同时间尺度的局部特征信号；步骤2. 2 :选取前k个基本模态分量，对选取的每个基本模态分量分别做Hilbert变换并解析，得到解析结果H1 (t) ^Hk (t)，对H1 (t) ^Hk (t)取其各自包络，依次得到k个包络线abs” abs2、abs3、…、absk, k 个包络线组成特征向量空间 w, W=Labs1; abs2;..., absk]；步骤三、对每组时域信号得到的特征向量空间进行奇异值分解，获取代表特征向量空间固有特征的奇异值矩阵；步骤四、建立并训练滚动轴承故障诊断定位系统；所述的故障诊断定位系统采用Elman神经网络实现，输入为滚动轴承各个状态下时域信号的奇异值矩阵，输出为代表滚动轴承的四种状态的输出矩阵，输出矩阵(1，O, O, O)对应正常状态，输出矩阵(0，I, O, O)对应内圈故障状态，输出矩阵(0，O, I, O)对应外圈故障状态，输出矩阵(0，O, O, I)对应滚动单体故障状态，将包含四种状态的滚动轴承时域信号的奇异值矩阵以及各状态下的输出矩阵作为训练集对Elman神经网络进行训练，保存训练好的神经网络作为判断网络；步骤五、实时采集变工况下的滚动轴承工作振动信号，将采集的振动信号通过步骤二和步骤三的处理后，得到对应的奇异值矩阵，将对应的奇异值矩阵作为已训练好的神经网络的输入，根据神经网络的输出结果对滚动轴承进行实时故障检测及故障定位。2.根据权利要求1所述的一种变工况下...
【专利技术属性】
技术研发人员：刘红梅，王轩，吕琛，刘大伟，王靖，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。