基于模糊与虚拟仪器的滚动轴承故障诊断系统研究

论文摘要

滚动轴承是旋转机械中应用广泛,同时也是易损零件之一。由于滚动轴承特定的使用环境,造成其寿命的随机性较大,目前还无法准确预测其寿命的长短,但它的运行状态直接影响到整个机械设备的状态。据统计,在旋转机械的故障中,有30%是由滚动轴承故障引起的。对滚动轴承进行状态监测及故障诊断能及时发现故障,能有效保护工厂财产及工人人身安全。因此,研究滚动轴承故障诊断技术有很重要的现实意义。振动检测法是现在滚动轴承故障诊断研究和应用的主流。由于滚动轴承本身在工作时必然伴随旋转而产生振动,其运行状况的好坏往往直接反映在振动信号中,而且振动信号测试简单、直观。通过测量、分析轴承的振动信号来判断轴承状态、进行故障诊断方便可靠。模糊神经网络系统是近年来计算机智能领域中一个新的研究方向。它融合了神经网络和模糊系统的各自优点,将模糊推理系统架构于神经网络上,充分发挥模型对于系统不确定性与不精确性的处理能力,同时具有自我学习与组织能力,能够调整模型的参数,因此被用于滚动轴承的故障诊断。本文提出了一种基于频带能量和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法。通过对滚动轴承振动信号进行时域分析,提取频段能量参数,实时判断滚动轴承故障状态,然后再利用ANFIS作为分类器进行故障模式识别。利用ANFIS进行滚动轴承故障诊断,可以降低对操作人员的专业知识的要求,将故障诊断从传统方法转向人工智能方向。同时,诊断系统中智能技术的应用能大大降低维修人员工作强度。利用虚拟仪器设计开发了振动信号采集系统。同时结合LabVIEW和MATLAB两款软件的特点,开发了采用两者混合编程的滚动轴承故障诊断系统。通过对实测的齿轮减速机滚动轴承故障信号数据进行验证。结果表明,本文设计的基于模糊与虚拟仪器的滚动轴承故障诊断系统具有可靠、实用等特点。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 机械故障诊断国内外研究概况
• 1.3 滚动轴承故障诊断常用方法
• 1.4 滚动轴承故障诊断研究趋势
• 1.5 本文的主要研究内容
• 第二章 滚动轴承故障特征分析
• 2.1 滚动轴承故障的主要形式与原因
• 2.2 滚动轴承的振动机理及特征
• 2.2.1 滚动轴承的振动机理
• 2.2.2 滚动轴承的固有振动频率
• 2.2.3 滚动轴承的故障特征频率
• 2.3 滚动轴承故障的发展过程
• 2.4 本章小结
• 第三章 滚动轴承振动信号分析方法
• 3.1 滚动轴承振动信号的时域分析
• 3.2 滚动轴承振动信号的频域分析
• 3.2.1 振动信号的频谱分析
• 3.2.2 振动信号的倒频谱分析
• 3.2.3 滚动轴承共振解调诊断法（IFD法）
• 3.3 本章小结
• 第四章 基于频带能量和模糊推理的滚动轴承故障诊断方法
• 4.1 基于频带能量的故障诊断方法
• 4.2 滚动轴承故障识别技术
• 4.3 基于模糊神经网络的故障诊断方法
• 4.3.1 自适应模糊神经推理系统（ANFIS）
• 4.3.2 自适应模糊神经推理系统的系统结构
• 4.3.3 自适应模糊神经推理系统学习算法
• 4.3.4 自适应模糊神经推理系统的应用实例
• 4.4 本章小节
• 第五章 滚动轴承故障检测系统的开发
• 5.1 虚拟仪器基本概念
• 5.2 系统总体框架
• 5.3 系统硬件设计
• 5.3.1 振动传感器的选择
• 5.3.2 信号调理模块和数据采集模块
• 5.3.3 数据处理模块
• 5.4 系统软件设计
• 5.4.1 滚动轴承故障诊断参数设置和数据库设计
• 5.4.2 数据采集模块
• 5.4.3 在线状态检测模块设计
• 5.4.4 离线分析模块设计
• 5.4.4.1 基于频段能量的ANFIS分析模块
• 5.4.4.2 时域分析模块
• 5.4.4.3 频域分析模块设计
• 5.4.4.4 功率谱分析模块设计
• 5.4.4.5 倒频谱分析模块设计
• 5.4.4.6 共振解调模块设计
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢