

时间:2012-04-19 12:00:00 点击:124
随着设备复杂化、自动化和集成化的不断提高,要求有与之相适应的诊断方法来进行nsk轴承的故障诊断。目前,国内外已经开始尝试用极大熵谱、小波理论、分形理论以及神经网络来进行nsk轴承的故障诊断,并逐渐从实验室走向应用。 1、 基于极大熵谱法的郑州nsk轴承故障诊断频域分析是机械故障诊断最广泛的信号处理方法之一, 因为故障在发生、发展时,都会引起信号频域结构的变化,频域分析的基础是频谱分析,即利用变换将复杂的信号分解简单信号的叠加,使用最普遍的变换是傅里叶变换。但由于其对数据的加窗处理.而造成窗外数据为零。使观测的信号受到一定的损失,有失故障诊断的准确性。极大熵准则谱估计的概念是:与估计的功率谱相对应的自相关和由观测数据计算的自相关一致,同时对已有区之外的自相关值采用外推的办法求取.而不是一概假定为零。这样.在谱估计中就避免了由于在周期图估计中对数据或它的自相关函数所作的加窗处理.而造成的窗口外数据为零.窗口的数据在某种形式修正后的不良后果。由采用极大熵建立的时序模型,对诊断将提供更可靠、准确的信息。熵谱计算具有以下优越性:①熵谱计算中所取的时间序列长度不受限制,可以任意选取;极大熵分辨率高,对短时间序列的谱分析特别有效。②熵谱中的卓越峰值比功率谱更能反映动力学中的特征频率 由极大熵模型计算出的故障敏感因子能很好地描述出轴承故障状态,可靠性较好。 2、基于分形的nsk轴承故障诊断 对于复杂的轴承故障,不仅要考虑系统的同频振动和分频振动,还要考虑更加复杂的振动特性。大量研究结果表明只有有限的数种常见故障会产生混沌运动,通过分析相应故障产生的混沌现象,同时结合频谱、波形及关联维数的分析,就可以诊断出故障。对于非线性系统,分维描述了系统耗散能量的大小,分维越大,系统的耗散能越大;分维越小,则耗散能越小;当分维为零时,耗散系统则退化为保守系统。对于随机耗散系统,分维实际上描述了系统随机力和耗散能的大小。对于复杂机械系统,分维数还反映了构成该系统的吸引子的复杂程度,也就是说分维数往往伴随系统状态的改变而变化。在工程实际中,通过对nsk轴承的振动信号波形进行研究得出轴承的时域波形,在一定的时域长度下存在自相似性。采样频率较高的振动信号时间序列变化趋势类似于频率较低的波形信号。也就是说郑州nsk轴承的时域信号波形具有自相似性。因而可以用分形理论来描述其时间序列的不规则度。 3、基于小波分析的轴承故障诊断 在故障信号的提取中,常用频谱分析的方法。基于统计特性的傅里叶分析对于平稳信号十分有效。但在分析非平稳信号时,是在整个被分析的时段上的平均结果,不能反应信号的突变细节.也就是将短时突变信号能量在整个被分析时段内平均后.就很小了,频谱图上很难看出故障的所在。另外傅里叶变换在时域上不起作用。特别是对非平稳信号,在时间轴上的任何突变,其频谱将分散在整个频率轴上。小波分析是一种全新的时频分析方法,它可以把信号分解为一系列的具有局部特性的小波函数,在低频和高频范围均有很好的分辨力,具有可调窗口的时频局部分析能力。 本文转载于/