摘 要

随着工业设备的复杂度越来越高，因故障可能造成的危害也越来越大，因此预测维护的相关研究工作也在积极地进行中，而滚动轴承恰好是最常用也是最容易受到损伤的设备构件之一，因此实时监测分析滚动轴承的运行状态是十分必要的。本文针对轴承监测信号引入了小波包分解来对原信号做更加细致的处理，并利用分解所得子频带信号的能量，来进行特征刻画，构造出特征矩阵，接着运用主成分分析（PCA）来做特征降维，最后利用模糊C均值聚类（FCM）算法对滚动轴承状态进行分析。

首先，研究了小波包分解的基本原理及其在信号分解领域的应用，并将其与傅里叶变换和小波分析进行对比，它弥补了傅里叶变换和小波分析的缺点，可以对非平稳信号进行低频加高频的分解。

其次，针对滚动轴承运行过程中可能会受到环境中噪声的影响，本文采用小波包分解结合PCA的特征提取方法，有利于提高滚动轴承信号特征的提取精度，保留信号的有效成分并过滤掉噪声部分而改善信号的信噪比。

接着，以模糊C均值聚类（FCM）作为分析方法，利用轴承信号样本点属于正常状态的隶属度变化趋势来反映轴承的退化趋势，并且对比了使用FCM和原加速寿命试验的故障时间节点，从而体现该算法的优势。

最后按照前一步得到的隶属度变化曲线，来得到轴承初期退化时间，退化迅速时间，以及严重退化时间，从而依据退化程度来合理安排维护方案。

关键字：预测维护；模糊C均值；小波包分解；滚动轴承；PCA

Abstract

With the increasing complexity of industrial equipment and the potential harm caused by faults, the related research work of predictive maintenance is also acttracting more and more researchers. Rolling bearings are the most widely used and vulnerable parts of equipment. so it is necessary to monitor and analyze the running status of rolling bearings in real time. This research introduces the wavelet packet decomposition to make a more detailed analysis of the original signal, using the energy of the decomposed sub-node signal to describe the feature vector, and constructs the feature matrix. After that, the principal component analysis (PCA) is implemented to reduce the feature dimension, and finally fuzzy C-means clustering (FCM) algorithm is selected to distinguish the state of the rolling bearing.

Firstly, the basic principle of wavelet packet decomposition and how it works in the signal decomposition are studied, and it is compared with Fourier transform and wavelet analysis. It makes up for the shortcomings of Fourier transform and wavelet analysis, and can decompose non-stationary signals at low and high frequencies.

Secondly, for the rolling bearing may be affected by noise in the environment during operation, this paper uses the feature extraction method of wavelet packet decomposition plus PCA, it can improve the extraction accuracy of signal characteristics of rolling bearing, preserve the effective components of the signal and filter out the noise part to improve the signal-to-noise ratio.

Then, using Fuzzy C Mean Clustering (FCM) as the analysis method, the membership change trend of bearing signal sample points belonging to normal state is used to reflect the degradation trend of bearing, and the fault time nodes using FCM and original accelerated life test are compared to reflect the advantages of this algorithm.

Finally, according to the membership curve obtained in the previous step, the initial degradation time, the rapid degradation time and the severe degradation time of the bearing are obtained, so the maintenance scheme can be reasonably arranged according to the degradation degree.

Keywords：Predictive maintenance; Fuzzy C-means; rolling bearings; Wavelet Packet Decomposition; PCA

目录

第1章 绪论 1

1.1预测维护研究背景及意义 1

1.1.1研究背景 1

1.1.2研究意义 2

1.2预测维护的内容以及国内外研究现状 2

1.3论文主要研究内容 4

1.3.1预测维护主要内容 4

1.3.2本文研究计划与章节设置 5

第2章 滚动轴承预测维护理论 6

2.1滚动轴承的结构 6

2.2滚动轴承失效的基本形式 6

2.3滚动轴承的检测理论 7

2.3.1滚动轴承的常规失效检测方式 8

2.3.2振动信号产生机理 8

2.4滚动轴承维护传统方法 9

2.4.1加强巡检 9

2.4.2定期维护 10

2.5预测性维护技术体系 10

2.6本章小结 11

第3章 基于小波包分解和PCA的特征提取原理 12

3.1傅里叶变换在信号处理中的应用 12

3.2小波分析在信号处理中的应用 13

3.3小波包变换在信号特征提取中的应用 13

3.3.1小波包分解理论 13

3.3.2小波包能量谱 15

3.4PCA降维理论 15

3.4.1主元分析（PCA）应用背景及原理简述 15

3.4.2主元分析的计算步骤 16

3.4.3主成分的贡献度 16

3.5 特征提取方法选取 17

3.6本章小结 17

第4章 基于FCM聚类的预测维护研究 18

4.1聚类分析理论 18

4.1.1聚类分析的基本概念及常见应用 18

4.1.2聚类分析的流程与类别 18

4.1.3样本相似度度量 20

4.2 模糊聚类理论 21

4.2.1 K-means算法基本思想 21

4.2.2模糊聚类理论简介 21

4.3 FCM聚类算法 22

4.4基于模糊逻辑的维护方案选择 23

4.5本章小结 24

第5章 数据处理及结果分析 25

5.1滚动轴承实验数据 25

5.2滚动轴承振动信号特征提取 27

5.2.1失效前后信号对比 27

5.2.2振动信号小波包分解 28

5.2.3基于小波能量谱的特征提取与降维 29

5.3 轴承退化趋势分析 30

5.4维护方案 33

5.5本章小结 34

第6章 总结与展望 35

参考文献 37

致谢 39

第1章 绪论

1.1预测维护研究背景及意义

1.1.1研究背景

在智能制造迅速发展的当下，工业机械装备工作强度愈来愈大且日益精密，设备及其零部件在长时间重复工作中会受到多种因素的影响而逐渐退化，从而降低剩余寿命，最终会导致设备故障无法运行，也容易由此发生恶性事故。因此为避免事故以及停产导致的各项损失，在工业生产中我们应该要求设备具有更高的可靠性，同时也要求我们必须要更加严格把控设备的维护管理，所以预防性的维护维修显得尤为重要。

目前在国内，设备状态识别与预测维护的相关研究工作也在积极地进行。现有的预防性维护与预测性维护不同，前者分为基于时间和基于状态两种，基于时间的维护说的是对设备进行定期的维护维修，从而降低故障率，减少由此可能带来的财产损失；基于状态的维护是先对设备进行检测，对于得到的信息做完分析之后的进行预防性维修方法，一旦检测结果显示设备有故障征兆，那么再做维护维修，但是这种方法是需要提前得到退化分布函数，需要掌握大量的经验数据，而这些缺点并不满足实际情况容易受到干扰，导致估计不准。