低转速下基于AE信号与LMD的滚动轴承故障诊断.docx

低转速下基于AE信号与LMD的滚动轴承故障诊断
低转速下基于AE信号与LMD的滚动轴承故障诊断
摘要：
滚动轴承作为机械设备中重要的部件之一，在运行过程中常常会出现故障现象。故障的早期诊断对设备的可靠性和运行安全具有重要的意义。本文针对低转速下滚动轴承的故障诊断问题，提出了基于声发射(AE)信号和局部平均分解(LMD)的诊断方法。首先，通过AE传感器采集到滚动轴承工作时的声波信号，然后利用LMD方法对信号进行分解，得到多个具有不同频率和振幅的本征模态函数(IMF)。接下来，从IMF中提取特征参数，并建立故障诊断模型。实验结果表明，所提出的方法能够有效地诊断滚动轴承的故障，具有较高的准确度和鲁棒性。
1.引言
滚动轴承广泛应用于各种机械设备中，如风力发电机、汽车发动机和工业机械等。然而，在长时间运行过程中，滚动轴承常常会出现故障，如疲劳、润滑不良和外界冲击等。这些故障如果得不到及时的诊断和处理，将导致设备的可靠性下降，甚至造成设备的损坏和停机。因此，对滚动轴承的故障进行早期诊断十分重要。
2.相关工作
目前，针对滚动轴承故障诊断问题，已经有很多研究工作。其中，基于振动信号的故障诊断方法被广泛应用。这种方法通过振动传感器采集到的信号，提取特征参数，然后建立诊断模型进行故障判断。然而，低转速下滚动轴承的振动信号往往非常微弱，容易受到背景噪声的干扰。
为了解决低转速下滚动轴承故障诊断的问题，一些研究者引入了声发射(AE)信号作为辅助手段。AE信号是由故障源产生的，其频率和振幅能够反映出故障的类型和严重程度。因此，通过分析AE信号可以实现对滚动轴承故障的早期诊断。
此外，局部平均分解(LMD)是一种新兴的信号处理方法，能够将信号分解为多个具有不同频率和振幅的本征模态函数(IMF)。将LMD与AE信号相结合，可以更好地分析滚动轴承的故障特征。
3.方法和步骤
本文提出的滚动轴承故障诊断方法基于AE信号和LMD分解。其主要步骤如下：
(1)采集AE信号：利用AE传感器采集到滚动轴承工作时的声波信号。同时，采集到该时刻的转速和负载等工况参数。
(2)LMD分解：将采集到的AE信号进行LMD分解，得到多个IMF。
(3)特征提取：从每个IMF中提取各种统计特征参数，例如均值、方差、峰值等。
(4)构建诊断模型：利用提取到的特征参数，建立滚动轴承故障诊断模型。常用的模型有支持向量机(SVM)、人工神经网络(ANN)等。
(5)故障诊断：根据模型进行故障诊断，判断滚动轴承是否发生故障，并给出具体的故障类型和严重程度。
4.实验结果与分析
为验证所提出方法的有效性，进行了一系列实验。实验结果表明，所提出的方法能够准确诊断滚动轴承的故障，且具有较高的鲁棒性。与传统的基于振动信号的方法相比，所提出的方法在低转速下具有更好的故障诊断效果。
5.总结与展望
本文针对低转速下滚动轴承的故障诊断问题，提出了一种基于AE信号和LMD分解的诊断方法。实验结果表明，该方法能够有效地诊断滚动轴承的故障，具有较高的准确度和鲁棒性。未来，可以进一步研究滚动轴承不同故障类型的诊断方法，并将其应用于实际的工程设备中，提高设备的可靠性和运行安全性。