摘要
滚动轴承作为旋转机械中极其重要的零部件，其运行状态直接决定了机械设备能否安全正常运行。因此对滚动轴承展开健康监测与故障诊断意义非凡。实际的轴承故障信号往往呈非线性、非平稳性，且包含较多噪声，难以提取有效的故障特征信息。本文以滚动轴承为研究对象，分别针对滚动轴承故障特征提取、模式识别、复合故障诊断展开研究，主要研究内容如下: (1)简述固有时间尺度分解(IntrinsicTimeScaleDecomposition，ITD)与多点最优最小熵解卷积(MultipointOptimalMinimumEntropyDeconvolutionAdjusted,MOMEDA)的算法原理，分析ITD、MOMEDA存在的问题。 (2)针对ITD方法在强背景噪声影响下难以提取轴承故障特征的问题，提出一种ITD与参数优化MOMEDA相结合的滚动轴承故障特征提取方法。首先根据包络谱峰值因子(CrestFactorofEnvelopeSpectrum,Ec)最大原则筛选包含丰富故障信息的PR分量(ProperRotation,PR),其次对该分量进行MOMEDA降噪处理。对影响MOMEDA滤波效果的两个参数——故障周期T与滤波器长度L分别以多点峭度MKurt和平方包络谱的基尼指数GISES进行寻优，最后进行包络谱分析判别故障类型。运用内圈故障仿真信号、XJTU-SY滚动轴承加速寿命试验数据及齿轮箱试验数据验证了该方法的有效性。结果表明该方法可以在强背景噪声下有效提取轴承故障特征频率，且具有较高的频域分辨率。 (3)针对单一特征提取导致的故障信息丢失问题，提出一种多尺度模糊熵(MultiscaleFuzzyEntropy,MFE)与Hjorth参数组合形成混合故障特征，并结合麻雀优化算法(SparrowSearchAlgorithm,SSA)优化支持向量机(SupportVectorMachine,SVM)的模式识别方法。首先对原信号进行ITD分解，得到若干PR分量，利用相关系数筛选特征信息丰富的PR分量。其次将MFE与Hjorth参数组合形成混合特征向量，计算筛选出的多个PR分量的混合特征向量。最后将特征向量输入SSA-SVM实现模式识别。运用凯斯西储大学轴承数据、XJTU-SY滚动轴承加速寿命试验数据及齿轮箱试验数据验证了所提方法的有效性。结果表明该方法可以实现轴承不同状态的分类，且具有较高的分类准确率。 (4)针对滚动轴承复合故障特征较难提取的问题，提出一种以ITD结合参数优化共振稀疏分解(Resonance-BasedSparseSignalDecomposition,RSSD)增强故障特征、以参数优化MOMEDA降噪并凸出故障特征的滚动轴承复合故障诊断方法。首先以Ec最大为依据筛选故障特征信息较丰富的PR分量，并对所选PR分量进行信号重构。其次以1/Ec为适应度函数，采用SSA算法寻优影响RSSD分解效果的参数Q、λ，以参数优化后的RSSD分解重构信号，得到故障低共振分量。最后以参数优化MOMEDA对低共振故障分量降噪处理，并通过包络谱分析判别复合故障类型。运用复合故障仿真信号、XJTU-SY滚动轴承加速寿命试验数据验证了该方法的有效性。结果表明该方法可以有效提取复合故障特征频率，且提取效果明显。
NETL