文档介绍：小波分析在轴承故障诊断中的应用
耿嘉洁
西南石油大学
X
关注成功!
加关注后您将方便地在我的关注中得到本文献的被引频次变化的通知!
新浪微博
腾讯微博
人人网
开心网
豆瓣网
网易微博
摘    要:
旋转机械在石油、农业、工业等领域拥有广泛应用。其使用轴承来执行各种子部件的旋转或线性运动, 同时减少摩擦和应力。因此, 轴承的实时监控和诊断对于防止故障, 提高安全性, 避免生产装配线的意外停机以及降低成本至关重要。我们提出了一种基于小波变换(DWT) 的方法, 用于分析来自滚动元件轴承的振动信号, 以识别和多元化部件缺陷。实验结果表明, DWT在轴承故障检测和分类中获得良好的准确性和可靠性。
滚动轴承的性能-摩擦, 使用寿命, 刚度, 速度等性能下降或完全故障可归因于各种因素-轴承润滑, 轴承选择, 不正确的安装以及其他各种材料或制造差异。其中40%的事件可归因于某种形式的轴承故障[1]。因此, 滚动轴承的实时监测和诊断方法开发很有必要。
在本文中, 我们研究的是加速度计接收到的振动信号。使用小波(Wavelet) 变换对这些信号进行分析, 监测和检测。然后通过时域参数提取特征, 如偏斜度, 波峰因数, RMS和峰度。
1 信号检测和变换
不同的轴承具有不同的转速。根据轴承几何形状和转速计算频率可以得出如下所示的计算外圈缺陷和内圈缺陷的公式:
在式(1) 和(2) 中, 其中Nb是轴承数, Bd是球直径, Pd是节圆直径, β是接触角, fs是轴频率。
小波变换是联合频率和时间的方法[2]。在小波变换中, 我们可以分解或重建信号, 也可以消除噪声。它基本上不需要窗口的傅里叶变换, 基本信息在信号分量中以及窗口的宽度可以变化是它最重要的优点。小波变换主要用于非平稳瞬态信号分析。在傅里叶变换中, 只有频率信息可用, 无需关注哪个是固定信号, 而在短时傅里叶变换中, 存在时间和频率信息, 但是窗口的宽度在这种情况下放大限制, 因此需要进行小波变换。傅里叶级数和傅立叶变换不适用于某些应用, 所以在这种情况下, 我们更多使用小波变换。
f (t) 的连续小波变换(CWT) 定义为
DWT源于CWT (a, b) 的离散化
连续小波变换能够通过多尺度分析提取信号的奇异点。基本原理是当信号在奇异点附近的Lipschitz指数a>0时, 其连续小波变换的模极大值随尺度的增大而增大;当a<0时, 则随尺度的增大而减小。噪声对应的Lipschitz指数远小于0, 而信号边沿对应的Lipschitz指数大于或等于0。因此, 利用小波变换可以区分噪声和信号边沿, 有效地检测出强噪声背景下的信号边沿(奇变) 。动态系统的故障通常会导致系统的观测信号发生奇异变化, 可以直接利用小波变换检测观测信号的奇异点, 从而实现对系统故障的检测。
2 实验分析
-PMDC电机, 负载为1-, 转速为1980rpm。电机转速由调节器变化。压电加速度计安装在PMDC电机上以测量振动。用于该测试的滚动轴承是SKF 6203 2RS (节距直径=, 球直径=, 球轴承数=8, 接触角=0) 。我们通过改变电动机中的滚动轴承, 分析了4种轴承条件-内圈缺陷, 外圈缺陷, 内加