【軸承網(wǎng)】
滾動軸承在旋轉(zhuǎn)機械中應(yīng)用廣泛，是較易損壞的零件之一。它的運行工況直接影響著機械系統(tǒng)是否能夠正常運行?；?a href=http://www.laiyuansc.com/ style="font-size:14px;color:#ff6600;text-decoration:none;" >進口軸承中滾動軸承故障信號是非平穩(wěn)、非線性的，而且因受到隨機噪聲的干擾而難以檢測。針對這種狀況，本文將小波軟硬閉值折中消噪法、時頻分析的新方法—希爾伯特黃變換(HHT)和模式識別的新技術(shù)—支持向量機 (sVM)相結(jié)合應(yīng)用于滾動軸承故障診斷中。F舊T分析法包含經(jīng)驗?zāi)B(tài)分解(EMD)和希爾伯特譜分析兩部分。
基于HHT的這一特點，提出了兩種不同的方法提取故障信號特征來進行故障診斷。
一種是基于Hilbert邊際譜的故障特征頻率提取的故障診斷方法。采集的故障信號首先進行消噪預(yù)處理，然后經(jīng)過自適應(yīng)的EMD分解和Hilbert變換得到故障信號的Hilbert邊際譜，從而獲得軸承故障的特征頻率進行故障診斷。
另一種方法是基于EMD的IMF能量特征向量提取和支持向量機相結(jié)合的智能診斷方法。該方法是把消噪后的振動信號進行自適應(yīng)性的EMD分解得到的若干個固有模特態(tài)IMFs)分量，然后提取IMFS的能量特征向量作為支持向量機的輸入進行故障診斷。在Matlab平臺上對滾動軸承故障信號的仿真結(jié)果表明:與直接進行HHT分析相比較，小波消噪和HHT分析法相結(jié)合的方法能夠更有效的提取滾動軸承的微弱故障特征信息，并且結(jié)合支持向量機能夠在小樣本的情況下精確的對滾動軸承的工作狀態(tài)和故障類型進行智能識別