基于振动图像纹理特征识别 的滚动轴承故障程度诊断方法研究

基于振动图像纹理特征识别的滚动轴承故障程度诊断方法研究

从毕设中期答辩以后，本人开始着力于信号处理方面知识的学习，这里面的玄机确实说不清道不明，剪不断理还乱。
在学习过程中，发现很多值得去探索和分析的地方，而且好多前辈都很无私的分享了。
愚目的很简单：就是想把这阶段所学的知识整理整理思路，希望能得到大神指点。
这阶段学习的思路：（希望今后能把这些板块都 补齐）
- 傅里叶变换和小波分析
- 小波分析的应用
- EMD算法
- 图像识别
- 轴承故障诊断方法研究
- 声发射法AE
- 负压波故障诊断
- 字典学习

---

注：该块内容为本人原创作品，若要引用请注明出处，愚的成果也算是有价值。

大纲

本文论述的对象是滚动轴承，首先建立滚动轴承的故障模型，然后通过相应手段获取实验数据，借助信号处理方法处理数据，最后进行用神经网络算法进行纹理识别，并分析结果的准确性。

1. 滚动轴承故障模型

假定外圈固定，内圈随工作轴转动，且纯滚动接触
n:工作轴转速；D：轴承节径；d：滚动体直径；
Θ：接触角；Z：滚动体个数；
则：

2.试验台建立及信号获取

这是一个某大学滚动轴承试验台无私提供的数据平台。图片上有其网址。


实验过程简述：
①取出电机轴承，用电火花
放电植入缺陷（内圈，外圈，滚动体）;
②装机记录加速度数据，并以
.mat格式储存;

3. 信号处理及振动图获取

实际数据不可避免的会引入噪声，我们用EMD分解算法进行去噪处理。
并通过IMF数值去判断去噪的效果。

3.1EMD分解算法
经验模态分解法（Empirical mode decomposition，
简称EMD）是一种非线性和非稳态时间序列分析的新方法;

优点：根据信号本身的特性自适应地产生合适的内蕴模态函数（MFs）
这些函数能很好的反应信号任何时间局部的频率特征
分解结果如下所示：

结果分析：


左图为滤波前的信号，右图为经过EMD处理的信号，其效果很明显。

3.2振动双谱图

4.纹理识别及神经网络算法

引用文献：

1.基于振动图像纹理特征识别的轴承故障程度诊断方法研究，2013；
2.EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用，2010；
3.基于高阶谱的电梯机械故障诊断，2015；
4.基于统计分布模型的滚动轴承故障特征提取方法研究，2011；
5.一种改进的EMD降噪方法，2009；
6.A complete ensemble empircal mode decomposition with adaptative
noise，2011；
7.Improved complete ensemble EMD：A suitable tool for biomedical signal processing，2014；
8.MATLAB神经网络30个案例分析，book；
9.Matlab Help：Neural Network Toolbox Examples