基于振动参数聚类融合的空间轴承故障辨识方法研究

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件,其健康状态直接影响整机性能和使用寿命。当前,由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象,导致单一故障特征参数难以辨识正常和微弱故障状态。针对这一问题,本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法。首先,通过轴承振动实验获得数据;然后,基于特征频率比值等方法对振动信号进行特征参数的提取;在此基础上,利用K-Medoids算法对正常样本进行聚类,并根据3σ法则构建正常运转的安全边界;最后,计算不同轴承故障数据的超限概率,根据概率大小进行故障状态的识别。结果表明,该方法对轴承正常和微弱故障的辨识是可行和有效的。

一种自适应调整滤波参数的轴承故障诊断方法

针对机械振动信号中存在大量噪声和形态学滤波中结构元素长度不能自适应调整的问题,提出一种可自适应调整结构元素长度的滚动轴承故障诊断新方法。结构元素长度的不同会导致对信号特征提取效果的不同,该方法通过以峭度值为指标,找寻出使峭度值较大的一系列结构元素长度。然后通过计算不同长度滤波后信号的故障特征频率能量比值,找寻出使故障特征最突出、最明显的结构元素长度。以此长度为最优长度对信号进行滤波,能够较好地提取出滚动轴承的故障特征,找到故障特征频率。

粒子群结合形态学滤波的滚动轴承故障诊断

针对形态学滤波方法在提取轴承故障特征过程中对滤波效果评价的不足,提出以峭度和故障特征频率能量比值组成的复合评价指标来评价,通过粒子群算法对滤波器长度L进行自适应寻优,并通过最优参数L对信号进行处理,提取出信号中的冲击成分和故障特征。通过对比可以发现该方法明显比其他方法更准确、更快速。