强噪声背景下滚动轴承故障诊断的关键技术研究的中期报告.docx

强噪声背景下滚动轴承故障诊断的关键技术研究的中期报告 一、研究背景 滚动轴承故障是旋转机械中常见的故障之一，在滚动轴承故障发生前期，轴承工作状态会出现各种异常，如轴承噪声、振动和温升等。这些异常信号中蕴含着故障信息，通过对异常信号的分析可以判断轴承故障类型以及故障程度。然而，由于实际工作情况的复杂性，许多轴承异常信号都会被环境噪声所掩盖，这给轴承故障诊断带来了很大的困难。为此，研究如何在强噪声背景下有效地识别轴承故障是很有意义的。 二、研究内容 本文的研究内容主要包括以下几个方面： 1. 强噪声背景下轴承振动信号的提取 针对强噪声背景下轴承振动信号很难被有效提取的问题，本文将探索一种新的振动信号提取方法。该方法将利用小波分解技术来分离出轴承振动信号，并采用自适应滤波算法进一步降低噪声的影响。 2. 轴承故障特征提取 本文将研究不同类型轴承故障的特征提取方法。在特征提取方面，本文将采用多种算法对轴承振动信号进行处理，包括小波包变换、熵值分析以及小波和时频分析等方法。 3. 轴承故障分类 针对不同类型的轴承故障，本文将结合多种特征提取方法和分类算法进行分类诊断。其中，利用人工神经网络和支持向量机进行分类是本文的重点研究内容之一。 三、研究进展 目前，本文已经完成了强噪声背景下轴承振动信号的提取和轴承故障特征提取方面的研究。在振动信号的提取方面，本文采用小波分解技术成功地将振动信号与噪声分离，并使用自适应滤波算法进一步降低了噪声的影响。在特征提取方面，本文结合了小波包变换、熵值分析和小波和时频分析等多种方法，成功地提取了不同类型轴承故障的特征。 接下来，本文将开始对轴承故障的分类问题进行研究，其中主要包括两个方面：一是将不同类型的轴承故障进行分类，二是研究在不同噪声水平下的轴承故障分类诊断方法。本文将采用人工神经网络和支持向量机等算法进行分类诊断，并通过实验验证不同算法在轴承故障分类方面的优劣。