吕云开,武 兵,2*,李聪明,2

(1.太原理工大学 机械与运载工程学院,山西 太原 030024;2.太原理工大学 新型传感器与智能控制教育部重点实验室,山西 太原 030024)

0 引 言

当前,故障诊断技术广泛应用于汽车、航空航天、电气、制造业等多个领域。

在使用滚动轴承的机械装备中,大约有30%的机械故障是由滚动轴承的损坏引起的,可见滚动轴承的工作状态在很大程度上影响着整个机械设备的运行状态。因此,轴承故障诊断技术的研究一直是机械故障诊断中的重中之重。

目前,故障诊断技术主要是基于信号处理的方法以及基于人工智能的方法[1]。其中,基于信号处理的方法是利用信号分析技术来分析时域、频域以及时频域的特征。

夏理健等人[2]对滚动轴承振动信号进行完备总体经验模态分解后,选择固有模态函数分量,求出了其散布熵和Hjorth参数,最后将其输入到支持向量机中,实现了对轴承故障的分类诊断。彭程程[3]通过构建轴承振动信号的二阶频率变化模型,以及观察短时傅里叶变换时频图,进行了轴承的故障诊断。LI W等人[4]利用数学形态学中的开运算、闭运算,对信号进行了滤波、去噪,利用香农熵的定义获得了归一化形态谱熵,采用改进的准解析复小波变换分解,实现了对轴承的故障诊断。NI Q等人[5]采用广义高斯循环分析模型和广义高斯分析模型,并结合特定的统计阈值,近似确定了模态数,然后定义了故障特征幅值比,确定了最优带宽控制参数,并将信号进行了变分模态分解,最后进行了轴承的故障诊断。……