直升机自动倾斜器滚动轴承故障诊断方法研究

发布时间：2017-09-07 03:03

  本文关键词：直升机自动倾斜器滚动轴承故障诊断方法研究

  更多相关文章： 自动倾斜器 周期能量特征 优化的LMD特征 u律压扩 三点滑动平均 故障识别

【摘要】：滚动轴承是自动倾斜器的核心组成元件之一，它的工作状态直接决定了自动倾斜器的工作性能，进而影响直升机的安全飞行，所以对其轴承故障诊断方法研究，对保障直升机安全飞行具有重要意义。本文在航空科学基金和横向课题自动倾斜器滚动轴承故障诊断项目资助下，采用振动信号分析法，对自动倾斜器轴承故障诊断方法进行了深入研究，主要工作内容和研究成果如下： (1)进行了振动信号降噪方法对比研究。针对轴承产生的非线性非平稳振动信号，首先介绍了小波包降噪方法和形态滤波方法；其次，仿真非线性非平稳信号并对其加入随机噪声；再次，采用小波包降噪方法和形态滤波方法分别对其降噪，并计算降噪后信号的信噪比；最后，对两种方法降噪后信号的信噪比进行对比分析。通过仿真实验知，本文采用的复合形态滤波方法降噪效果最优。 (2)提出了周期能量特征和优化的LMD特征提取方法。根据轴承产生的故障信号具有周期性特点并且轴承各类故障的周期能量处于不同范围，，本文提出了周期能量特征提取方法；根据LMD方法提取的各类故障特征间存在间隔不均衡和特征值波动缺陷，本文结合特征优化方法，提出了优化的LMD特征提取方法。关于周期能量特征和优化的LMD特征提取方法，首先以一个周期采样点数为标准，对振动信号进行截取；其次，提取截取信号的周期能量特征以及LMD分解后各PF分量特征；再次，对周期能量特征和各PF分量特征进行归一化；最后，采用u律压扩和三点滑动平均特征优化方法对周期能量特征和LMD特征进行优化处理。通过周期能量特征和优化的LMD特征提取实例分析，证明了本文方法的有效性。 (3)将周期能量特征和优化的LMD特征提取方法与RBF神经网络进行结合，提出了基于周期能量特征与优化的LMD特征相结合的滚动轴承故障诊断方法。首先，采用复合形态滤波方法对轴承的各种状态振动信号进行降噪；其次，对经过降噪的故障信号进行周期能量特征和优化的LMD特征提取；再次，搭建RBF神经网络并对其训练，训练直至目标精度为止；最后，采用已训练好的网络，对轴承的内圈故障、外圈故障、滚珠故障和正常，即四种状态进行识别分类。通过最终的故障识别实验，进一步证明了本文方法的有效性。
【关键词】：自动倾斜器 周期能量特征 优化的LMD特征 u律压扩 三点滑动平均 故障识别
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：V267
【目录】：

• 摘要3-4
• Abstract4-8
• 第1章 绪论8-15
• 1.1 课题研究的背景与意义8-9
• 1.2 国内外研究现状分析9-13
• 1.2.1 振动信号预处理方法9-11
• 1.2.2 故障特征提取方法11-12
• 1.2.3 故障识别方法12-13
• 1.3 本文主要研究内容13-15
• 第2章 振动信号降噪方法对比研究15-28
• 2.1 概述15
• 2.2 小波包降噪方法15-22
• 2.2.1 小波变换15-16
• 2.2.2 多分辨率分析16-18
• 2.2.3 小波包分析18-19
• 2.2.4 小波和小波包分解信号重构19
• 2.2.5 小波包降噪处理19-22
• 2.3 形态滤波方法22-24
• 2.3.1 形态滤波理论22-23
• 2.3.2 结构元素选取原则23-24
• 2.4 仿真实验24-27
• 2.5 本章小结27-28
• 第3章 周期能量特征和优化的 LMD 特征提取方法28-46
• 3.1 概述28
• 3.2 周期能量特征提取方法28-32
• 3.2.1 周期能量特征提取方法概述28
• 3.2.2 周期能量特征提取及归一化28-30
• 3.2.3 周期能量特征优化处理30-32
• 3.3 优化的 LMD 特征提取方法32-36
• 3.3.1 优化的 LMD 特征提取方法概述32
• 3.3.2 LMD 方法32-34
• 3.3.3 LMD 特征提取及归一化34-35
• 3.3.4 LMD 特征优化处理35-36
• 3.4 周期能量特征与优化的 LMD 特征提取实例分析36-45
• 3.4.1 周期能量特征提取实例分析37-39
• 3.4.2 优化的 LMD 特征提取实例分析39-45
• 3.5 本章小结45-46
• 第4章 基于周期能量特征与优化的 LMD 特征相结合的轴承障诊断方法46-57
• 4.1 概述46
• 4.2 RBF 神经网络学习算法46-51
• 4.2.1 神经元结构模型46-48
• 4.2.2 RBF 神经网络模型48-49
• 4.2.3 RBF 神经网络学习方法及特性49-51
• 4.3 轴承故障识别方法原理51-53
• 4.4 神经网络设计与训练53-54
• 4.5 故障识别实验54-56
• 4.6 本章小结56-57
• 第5章 总结与展望57-59
• 5.1 研究工作总结57
• 5.2 研究工作展望57-59
• 参考文献59-63
• 研究生期间科研项目成果63-64
• 致谢64-65

【参考文献】

中国期刊全文数据库 前5条

1 胡爱军;唐贵基;安连锁;;基于数学形态学的旋转机械振动信号降噪方法[J];机械工程学报;2006年04期

2 章立军;杨德斌;徐金梧;陈志新;;基于数学形态滤波的齿轮故障特征提取方法[J];机械工程学报;2007年02期

3 蒋英春;;离散空间中正交小波分解重构算法的实现[J];计算机应用研究;2013年02期

4 胡爱军;唐贵基;安连锁;;振动信号采集中剔除脉冲的新方法[J];振动与冲击;2006年01期

5 魏立保;黄世军;杨育林;;直升机自动倾斜器球铰自润滑关节轴承试验机的研制[J];直升机技术;2008年02期

中国博士学位论文全文数据库 前1条

1 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013年

本文编号：807019