陈军[1]2003年在《短信号分析技术及其在故障诊断中的应用》文中进行了进一步梳理本文基于短信号分析技术，针对电液伺服道路模拟试验台运行状态监测和状态评价，对短信号的最大熵谱分析技术在自复杂非线性系统的实时在线故障诊断领域的应用进行了系统的理论和实验研究。 对短信号分析技术的算法进行深入研究。通过分析FFT算法的有限记录长度效应，从理论上揭示了传统谱估计算法产生频谱泄漏的本质原因。将自适应理论引入最大熵谱估计的算法研究中，提出带遗忘因子的基于最小平方准则的最大熵谱估计LSLL格梯型算法。 最大熵谱估计算法的定阶准则研究。定阶问题是最大熵谱分析的关键问题，针对短信号序列的特殊性，归纳出对短信号进行最大熵谱估计时，阶数选择的一般规律，给出定阶经验表达式。大量的试验与计算机仿真表明，该经验公式在短信号的分析中优于传统的信息量准则以及基于线性代数方法的奇异值分解(SVD)定阶算法。 基于TI公司的TMS320LF2407DSP芯片的硬件平台，开发了嵌入式的数据采集、最大熵谱分析以及中断方式数据通讯系统。以此作为下位机对设备运行状况进行实时分析与监测。 在故障诊断领域的应用研究方面，将的短信号最大熵谱分析与模糊推理、神经网络技术相结合，采用模糊神经网络对最大熵谱分析得到的特征向量进行自学习的模糊推理，能够准备识别故障类型。通过改进模糊神经网络诊断模型，建立RBF径向基函数组合子网络诊断系统，增强对故障分类的能力。利用功能层次分解策略，建立了电液伺服道路模拟试验台的故障诊断的多层次智能故障诊断系统，采用VC6.0开发工具，自主开发了具有实际应用价值的故障诊断软件FDDS。 计算机仿真和台架实验表明，所建立的“模块化”，多层次电液伺服道路模拟试验台的故障诊断系统具有结构简单、任务明确、实时性强等特点。下位机嵌入式系统能够实时分析数据，对短信号的分析精度能够满足故障诊断需要，上位机模糊神经网络诊断系统能够准确识别故障，对新故障具有自学习能力。该系统具有应用的灵活性和对实际系统的适应性，并且有利于对系统进行更深入的研究。
曹冲锋[2]2009年在《基于EMD的机械振动分析与诊断方法研究》文中进行了进一步梳理本论文结合“机械振动本底源信号半盲分离与重建方法的研究”(国家自然科学基金项目(50675194))和“超临界、超超临界大型汽轮发电机组状态监测与故障诊断技术及其系统研究”(国家高技术研究发展计划项目(863计划,2008AA04Z410)),针对复杂机械系统振动信号的非平稳特征,本文将经验模式分解(Empirical Mode Decomposition,EMD)方法引入到机械系统振动分析及故障诊断中,对其在机械振动信号中存在的物理应用基础、端点效应及虚假模式等问题展开研究,给出了机械有效振动模式分析的解决方案及对应典型故障特征的提取方法,在此基础上建立了EMD—2D-HMM的诊断级联模型,并结合实验进行了验证。本文主要工作包括:第1章概述了旋转机械振动分析与故障诊断技术的国内外研究现状,分析了现有振动信号处理技术存在的问题,论证了将经验模式分解方法引入到机械振动系统故障诊断的可行性和迫切性,通过对经验模式分解方法在不同领域的国内外研究分析,总结了该方法存在的不足和进一步的研究趋势。最后根据机械系统故障诊断所涉及的信号检测、预处理、特征提取及模式分类等环节,系统地给出了论文的选题背景、研究内容、技术路线和创新点。第2章从机械系统振动特性的角度研究了EMD方法处理振动信号的物理意义,提出了基于EMD的机械系统振动模式分析方法。论述了振动信号EMD处理的基本原理和算法流程,建立了机械系统振动的理论模型,研究了单自由度和多自由度机械系统的振动响应特性及其EMD分析,研究发现了机械振动模式与固有模式函数(Intrinsic Mode Function,IMF)之间存在高相关性对应关系的现象,并以简支梁横向振动响应为例,结合大量仿真与实验,验证了基于EMD的机械系统振动模式分析方法的有效性,破解了EMD方法在机械系统振动信号处理中存在的物理解释难题,为后续的机械振动模式特征二次提取和故障诊断工作提供指导。第3章综述了国际国内关于端点效应抑制方法的前沿研究,分析了EMD方法中端点效应产生的机理及其在振动信号分析中引起的数据失真等不良影响与给后续诊断工作带来的困难,针对大型旋转机械振动信号的特点,指出现有抑制端点效应的信号延拓方法存在的不足,提出了一种基于端点优化对称延拓(End Optimization Symmetric Extension,EOSE)的抑制EMD端点效应新方法,该方法通过对信号和其包络线的偏差评价函数的最小化计算,获取最佳的信号端点值,使原始信号的上、下包络线最大化地逼近原始信号两端点,达到从源头上抑制端点效应的目的,使分解得到的振动模式能够较好地反映设备的振动特性。仿真和实验研究验证了该方法的有效性。第4章主要针对旋转机械振动信号经EMD分解产生高频噪声模式及低频虚假模式的缺陷,重点研究了白噪声在EMD分解中具有的统计特性,在此基础上提出了一种基于白噪声统计特性的机械振动模式有效性检验方法。该方法是对EMD方法的一种发展,可以自适应地消除机械振动信号经EMD分解产生的高频噪声模式及低频虚假模式,得到反映信号实际物理意义的振动模式分量集,整个处理过程不需要构造任何参数表达的基函数及相关滤波函数,也无需有关信号的任何先验知识,因而在实际应用中具有更好的适用性。采用大量实验验证了该方法能够有效识别出反映系统振动特性的振动模式,提高了特征提取的精度。第5章从机械非平稳振动信号的降噪要求着手,分别描述了数字滤波、Kalman滤波、小波降噪及EMD降噪等四种现有常用降噪方法,给出了各降噪方法的降噪原理和适用情况,明确了这四种降噪方法对于旋转机械非平稳振动信号的降噪存在的不足,重点研究了EMD降噪给非平稳振动信号带来的模式混迭现象,利用正态分布白噪声在经验模式分解中具有的二进尺度分解特性,提出了一种非平稳振动信号的集成EMD降噪方法。通过仿真和转子启动过程试验振动信号对该降噪方法、EMD降噪方法及小波降噪方法的性能进行了比较测试。结果表明,该降噪方法具有更高的信噪比,不仅能够消除高斯噪声,而且能够有效抑制脉冲干扰,较好地降低了噪声对机械振动模式的影响。第6章对瞬时能量与机械系统结构状态变化的物理联系展开了理论研究,在机械运行过程中,其振动信号的瞬时能量分布会随着结构异常的产生发生变化,不同的瞬时能量分布即代表了不同故障类型。利用EMD和Hilbert变换方法,给出了振动模式瞬时能量的概念,提出了一种基于EMD-HT的瞬时能量分布特征提取方法。从时-频域描述信号的角度出发,提取了机械振动信号的瞬时能量分布和Hilbert边际谱特征,转子实验系统振动信号的分析结果表明,基于瞬时能量分布和Hilbert边际谱的二维特征向量对于识别不同故障类型的有效性。第7章论述了2D-HMM诊断方法在大型旋转机械非平稳振动信号时序模式分类方面具有的优越性,阐述了2D-HMM的基本概念和诊断原理,分析了EMD和2D-HMM在故障诊断中结合的必要性和可行性,建立了EMD—2D-HMM的诊断模型,提出了一种基于EMD—2D-HMM级联模型的故障诊断方法,该方法利用EMD方法提取的有效振动模式的瞬时能量分布及Hilbert边际谱特征进构造2D-HMM的时频域观测序列,并以此作为输入建立2D-HMM分类器,进而训练出对应各种故障类型的2D-HMM诊断模型库,通过求其最大似然概率值来判断机器的运行状态和故障类型。以转子实验台为基础构建了试验系统,试验研究结果表明,该方法相比HMM和小波包—2D-HMM诊断方法表现出更高的分类性能和诊断适用性。第8章在基于EMD—2D-HMM的故障诊断方法研究的基础上,分析了设计和开发相应故障诊断系统的具体需求。设计了基于EMD—2D-HMM故障诊断系统总体框架,重点研究了数据采集及预处理单元和故障诊断软件包的结构组成及设计方案。研发了基于EMD—2D-HMM故障诊断软件系统;利用实验台实测数据对系统的可行性进行了测试。第9章总结了全文的研究成果和创新之处,并对今后的工作提出了展望。
王婷[3]2010年在《EMD算法研究及其在信号去噪中的应用》文中进行了进一步梳理经验模态分解(Empirical Mode Decomposition, EMD)是处理非线性、非平稳信号的时频分析方法。该方法可以在不需要知道任何先验知识的情况下,依据输入信号自身的特点,自适应的将信号分解成若干个本征模态函数(Intrinsic Mode Function, IMF)之和。EMD被认为是对以线性和平稳假设为基础的傅立叶分析和小波变换等传统时频分析方法的重大突破。该方法在多年的发展过程中,逐渐展露出了在非平稳信号处理中的独特优势,具有重要的理论研究价值和广阔的应用前景。目前,EMD在机械故障诊断、特征提取、信息检测、生物医学信号分析、图像信号分析、通讯雷达信号分析等领域,都具有很大的应用价值。本文对经验模态分解的整个理论体系进行了深入的研究,以算法本身固有的缺点为突破口,对EMD中的端点效应问题和模态混迭问题进行了大量的研究工作,并给出了相应的解决方案；从应用角度出发,深入研究了EMD的自适应滤波特性,将其应用在信号的去噪中,并给出了两种基于EMD去噪的新方法。研究的主要内容和创新点如下：首先,针对EMD的端点效应问题,阐释了EMD端点效应产生的机理,分析了现有抑制端点效应方法的各自特点,引入了匹配距离和波形相似系数的概念,在此基础上提出了基于最近相似距离的抑制端点效应方法。该方法在信号内部找到形状和幅值差异最小的匹配段对端点进行数据延拓,实现了延拓数据与原信号交界处的光滑过渡。同时该方法只需一次延拓,便可以有效解决两类端点效应问题,且运行速度快。其次,针对EMD的模态混迭问题,分析了EMD模态混迭产生的原因。针对由间断事件引起的模态混迭问题,分析了间断事件嵌入时信号的时间特征尺度和极值特征尺度的变化特点,引入了时间特征尺度平稳度、极值差平稳度的概念,在此基础上提出了基于时间特征尺度平稳度、基于极值差平稳度的两种模态解混迭方法。本文通过仿真实验验证了两种方法的有效性,同时也指出了两种方法在某些情况下的局限性,据此本文又提出了基于联合平稳度的自适应模态解混迭方法。该方法综合考虑了两种平稳度的判断准则,提高了判断的准确度,有效地解决了由间断事件引起的模态混迭问题。再次,针对由信号间相互作用引起的模态混迭问题,分析了EMD可将两信号正确分离的条件和依据,提出了一种解决此类问题的方法,并给出了理论推导和证明。该方法基于傅立叶变换的性质及信号与其解析信号之间频谱的相互关系,构建了一种有效的、可逆的演化过程,将不满足EMD可分解条件的信号经正演化、EMD分解、反演化后,得到了不发生模态混迭的EMD分解分量。该方法不仅很好的解决了由两个信号的相互作用引起的模态混迭问题,同样也适用于多个信号的情形,为解决此类模态混迭问题提供了新思路。最后,研究了EMD算法在信号去噪中的应用。针对原有基于能量准则判定分界点存在稳定性差的缺点,以噪声和信号各自的自相关函数特点的差异为依托,提出了一种基于自相关函数特性的EMD去噪方法。该方法构建了新的判定分界点的准则；并针对判定的噪声模态采用类似于小波软阈值去噪的方法进行去噪,较好地保留了可能存在于噪声模态中的有用信号成分。仿真比较了两种方法的去噪效果,无论在稳定性上还是去噪精度上,都优于原方法。另外,文中深入探讨了噪声及噪声经EMD分解后各个分量的统计特性,在假定首个模态分量为噪声的前提下,提出了一种基于噪声统计特性的EMD去噪新方法。该方法将分解得到的首个模态分量每次随机排序与其他分量进行重构,将多次重构结果累加求平均后,由于噪声的随机特性,便得到了信噪比改善的信号分量；之后再对新分量重新进行分解,重复该操作数次。这样最后得到的为噪声功率得到很大抑制的信号分量。该方法可以简化为：随机排序-重构-累加-求平均-再分解-重复前述操作的过程。仿真实验表明,该方法在低信噪比的信号去噪中表现了良好的性能,其为低信噪比去噪提供了新思路。综上所述,本文研究了EMD算法及EMD在信号去噪中的应用,并针对EMD算法中存在的不足,进行了相应的改进；针对EMD在去噪应用中的特性,提出了两种去噪方法。仿真实验证实,本文提出的改进算法,均能够获得满意的效果。
朱圆[4]2017年在《基于信号处理的齿轮箱故障诊断方法研究》文中进行了进一步梳理齿轮箱常常运行在恶劣地环境下,在运行过程中很容易出现故障。齿轮箱一旦出现故障,轻则引起生产中断与经济损失,重则会导致严重人员伤亡。振动信号分析法是齿轮箱故障诊断最重要方法之一。在正常状态运行时,齿轮箱的振动信号一般表现为平稳性的特点,而当出现故障时,其振动信号通常表现为非线性与非平稳的形式。因此,需要使用时频分析法分析其振动信号。传统的时频分析法虽然能用于分析处理齿轮故障振动信号,但是这些方法都存在较大的局限性—非自适应性。自适应时频分析法能够满足自适应的要求。经验模态分解法、局部均值分解和极值点对称模态分解法是目前最主要的自适应时频分析法。本论文研究了主流自适应时频分析方法在故障诊断中的应用,并对它们存在的问题提出相应的改进,并将其用于齿轮箱中常用的零件的故障诊断。本论文的主要研究工作有:(1)介绍了齿轮箱主要零件齿轮的失效的形式及原因、振动机理以及故障时振动信号的模型。(2)介绍了经验模态分解法的原理及存在的主要的缺陷。针对经验模态分解法现有筛分准则存在的问题,提出了一种型号筛分终止准则。存在针对经验模态分解存在的模态混淆现象这一缺陷,提出了解析经验模态分解法。对仿真信号进行了分解,验证了该方法的有效性。(3)介绍了局部均值分解法的原理。针对局部分解存在的模态混淆现象,提出了小波局部分解法。采用小波局部分解法与总体平均局部均值法分别对仿真信号与转子碰摩故障信号进行分解,最终结果表明,本文提出的小波局部分解方法能够用于齿轮箱的转轴故障诊断。而且,与总体平均局部均值法相比,该方法具有运行效率较高,分解的时间更短,信号分解准确性更好等优点。(4)极值点对称模态分解是一种新的自适应信号时频分析法,该方法目前尚未应用于机械故障诊断中。本论文将极值点对称模态分解法与能量算子解调法结合起来,用于分析齿轮断齿故障的振动信号,从而实施对齿轮断齿故障的诊断。
聂振国[5]2016年在《基于奇异值分解的信号处理关键技术研究》文中提出奇异值分解(Singular Value Decomposition,SVD)是一种对非线性和非平稳信号非常有效的信号处理方法,本文在传统奇异值分解信号处理的基础上,对目前奇异值分解信号处理方法存在的几个关键问题进行了深入研究与探讨,提出了分段SVD算法和小波包能量谱(wavelet packet energy spectrum,WPES)-SVD算法,并将其应用于特征提取,取得了较好的效果。首先,研究了Hankel矩阵构造方式下的SVD信号处理原理,分析了原始纯净信号与含噪信号的奇异值分布规律,根据信号与噪声对奇异值的贡献率不同,通过奇异值差分谱来选取较大的奇异值进行重构,可从含噪信号中分离出纯净信号。接着,分析了SVD的数值计算过程与计算量,针对长序列信号构造的Hankel矩阵阶数大,SVD处理耗时长、占用内存大的问题,提出了两种分段SVD信号处理算法,通过对信号进行分段SVD处理,可大大减少计算量,有效缩短信号处理时间。然后,将主成分分析(Principal Component Analysis,PCA)应用于信号处理,分析了PCA的信号处理过程,提出通过特征值差分谱理论来选取主成分个数,并与SVD信号处理进行了比较分析。针对信号中含直流分量时第一个奇异值较大,提出对信号进行零均值化以消除直流分量对奇异值的影响。最后,将小波包分解与SVD相结合用于强噪声背景下的故障特征提取,提出了一种小波包能量谱-SVD算法,首先对信号进行小波包分解,选取能量最大的频带信号进行SVD处理,以进一步消除噪声,对消噪后的信号进行包络解调可得到故障特征频率。将该算法应用于转子故障振动信号和轴承故障振动信号的特征提取,取得了良好的效果。
崔宝珍[6]2013年在《自适应形态滤波与局域波分解理论及滚动轴承故障诊断》文中研究指明振动信号是滚动轴承运行状态的信息载体，周期性重复冲击及幅值调制是滚动轴承在缺陷与故障时的核心特征，这两者均有一个共同的特点，即不仅与时间有关，而且与频率也密切相关，因此如果割裂时频特征，仅仅从时域或频域的角度分析这类信号，则很难获得有关信号特征的全貌，而从联合的时频域的角度来识别这类信号，无疑会提高诊断的准确性和可靠性。另外强背景噪声及冲击振动也是滚动轴承振动信号不可忽视的特点，因此本文拟采用自适应形态滤波法，以滚动轴承的故障特征频率为判据构造自适应多结构多尺度形态滤波器进行背景噪声的滤除及冲击信号的提取，在此基础上结合局域波分解法对滚动轴承振动信号进行处理，进而提取有效的特征参量局域波相关尺度熵，最后利用模糊聚类的方法对滚动轴承的运行状态进行识别，主要工作如下：（1）数学形态学摒弃了传统数值建模及分析的观点，从集合的角度刻画和分析被处理信号，设计了一个“探针”（结构元素）的来探测信号的信息，利用该探针在被处理信号中不断平移,完成信号与结构元素间的匹配,达到信号提取、细节保持和噪声抑制的目的。按照振动信号处理中频响函数测量原理，研究了结构元素宽度、采样频率、分析点数与滤波特性间的定量关系，给出了数学形态滤波器特性的定量描述。提出一种自适应多结构多尺度形态组合滤波方法，详细讨论自适应多结构多尺度结构元素的构造，以被处理信号的特征频率强度系数为判据，利用敏感的结构元素组合出多尺度多结构的自适应均值滤波器，取得了较好的低频信号提取效果。（2）局域波法是基于信号局部特征的自适应时变分解算法，其分解过程就是把被处理信号分解成多个IMF分量和一个趋势项的和，且局域波分解的基函数是根据被处理信号自适应产生，因此具有良好的信号局部表征能力。在详细分析局域波分解产生端点效应机理的基础上，提出了端点匹配特征波延拓抑制端点效应的方法，该方法在波形匹配过程中充分考虑了被处理信号端点处的数据特性，将载入数据的首末端点处的数据作为匹配基元，从而改变了端点处不受约束的状况，仿真测试结果表明有效抑制了端点效应。（3）按照局域波分解的完备性、能量守恒及虚假分量的性质，检验并去除虚假分量，抵消主导模态分量中的误差分量，针对局域波分解过程中虚假分量的产生机理，本文提出基于能量守恒及相关分析的抗虚假分量方法，利用相关分析判别信号的主导模态分量，结合能量守恒原理，给出了虚假分量属性判别依据及模态更新的原则；（4）根据模态混迭不同的产生机理，本文提出形态运算及移频变换抗模态混迭方法，形态运算是有效提取间断信号、脉冲干扰强有力的工具，因此提出基于形态运算抗异常事件引起的模态混迭方法，仿真结果表明形态运算对脉冲干扰，间断信号引起的模态混迭能起到理想的效果；移频变换有效解决了由于信号间相互作用导致模态混迭问题，通过多组数据处理发现当复合信号满足局域波分解的充分条件二时，充分条件一可放宽到120.95，利用本文提出的方法都能有效提取出与原组分匹配的IMF分量，圆满完成局域波的分解过程。（5）对实测的不同运行状态下滚动轴承的振动信号进行自适应形态滤波与局域波分解，在此基础上利用模糊聚类的方法，提取局域波相关特征尺度熵，进行极值归一化及标定处理，然后改造为等价模糊关系矩阵完成聚类分析。该方法简单实用，是滚动轴承故障诊断较为有效的方法。以上研究工作在一定程度上丰富和完善了形态滤波与局域波分解方法，诊断应用表明本文提出的方法能有效区分不同运行状态，解决实际问题。
汪湘湘[7]2014年在《基于时频流形分析的设备故障诊断方法研究》文中提出旋转设备是现代冶金、化工、动力等工业领域中的关键设备,所以对于旋转设备的运行状态进行监测并进行故障诊断是十分必要的。从机械系统中获取的振动数据总是携带着对机械故障诊断来说非常重要的测量信息。而对于旋转机械,关键部件的局部故障常常在振动信号中表现为周期性的瞬态脉冲信息。然而,实际情况中,往往存在着大量的背景噪声会将瞬时脉冲信息湮没掉,从而大大增加了识别这些机械故障的难度。流形学习是近年来发展起来的非线性数据降维方法,它能提取高维数据中的主要非线性本质特征成分。本文基于时频流形在时频域抑制噪声以及分辨率增强方面的优点,将时频流形用于机械故障诊断中,取得了满意的效果。本文提出的时频流形在机械故障诊断中的应用主要有两个方面：时频流形相关匹配用于周期性故障识别以及利用时频流形对振动信号进行去噪。时频流形相关匹配用于周期性故障识别是将时频流形与图像模板匹配的概念结合起来,并且提出了一种新的时频流形相关匹配方法来加强对周期性故障的识别能力。此方法主要利用一个短时长的时频流形作为模板,在时频域中,对振动信号进行相关匹配操作。本文提出的利用时频流形对振动信号进行去噪的方法,是通过结合时频综合以及相空间重构综合实现信号去噪的。得到的去噪信号不仅有令人满意的去噪效果,并且能很好的保留固有的时频结构特征。另外,本文提出了一种新的诊断方法,叫频率概率时间序列(FPTS)谱分析法,并且展示了此方法在故障诊断中的有效性。本文提出的基于时频流形的机械故障诊断方法已经被用于处理一组轴承故障数据以及齿轮箱故障数据,结果证明在机械故障诊断中,提出的方法优于传统方法。
陈晓玥[8]2015年在《基于多元征兆和多重智能方法融合的故障诊断研究》文中进行了进一步梳理科学技术的不断发展和工业现代化水平的不断进步,使旋转机械设备的集成化和智能化程度越来越高,机械结构日趋复杂,导致部件间的耦合性越来越强,这不仅极大增加了运行故障风险,还放大了故障后果的严重性。因此,实时监控机械运行状态,提取有效状态信息,及时发现异常征兆,并依此判断机械故障类别指导选择应对措施,对于保证旋转机械的可靠运行和减少故障损失具有非常重要的意义。旋转机械最常见和最主要的故障是轴系振动故障,轴系运行过程中产生的振动信号携带了很多与轴系状态密切相关的信息,它能够反映轴系的健康状况,因此,轴系振动信号分析与识别是旋转机械故障诊断的基础和最重要的途径。此外,由振动信号合成的轴心轨迹,同样携带了很多轴系振动信息,其几何形态直接反映了轴系的运行状态,因此,轴心轨迹的形状识别是旋转机械故障诊断的另一种重要途径。轴系信号分析方法是通过对轴系振动信号进行处理分析,提取出能够揭示信号与机械运行状态间的固有联系的信息,建立信号与轴系状态之间的映射关系,实现轴系状态的表征和识别。轴心轨迹形状识别则是将轴系故障诊断问题转化成图像识别问题,通过建立轴心轨迹形状与轴系状态间的映射关系来识别轴系的状态。本文的主要创新性工作包括：(1)针对旋转机械轴系信号难以表征和识别的问题,深入研究了基于经验模态分解的数字信号处理理论体系,将其应用于轴系信号的特征提取。针对旋转机械轴系故障发生发展的固有特性,提出了一种基于无失真端点极值化的经验模态分解方法,并将其应用于旋转机械轴系信号的分析和特征提取。该方法有效抑制了经验模态分解中的端点效应和端点效应可能导致的信号失真,为轴系信号特征提取准备了一个完备的数据基础,提高了轴系故障表征和识别的准确性。(2)通过经验模态分解得到的信号特征包含了大量的冗余信息,其严重的影响了旋转机械轴系故障诊断的精度和效率。针对这一问题,深入探讨了传统特征选择方法和分层分类原理,集二者之所长,抽取分类树的分层特征选择机制,改变常规的特征优选模式,另辟蹊径,设计了一种新的冗余信息滤除方法。该方法以有效性为指导,设计启发式搜索规则,以性能补充为原则向已选特征子集补充当前最有效特征,具有计算效率高、所选特征子集小、子集区分能力强的特点。该方法还能够准确删除严重影响分类器性能的无效冗余信息,实现用简洁稳定的特征表示揭示故障间的固有联系,提高了分类器的分类精度和泛化性能,为旋转机械轴系故障的简洁准确表征提供了有效的特征优选机制。(3)基于分类树的分层特征选择方法删除了冗余信息,实现了特征子集的优化,促进了故障表征的准确性,同时提升了故障诊断的精度和效率。但是,特征子集的优化过程难免会删除一些有效性较小的信息,这对故障诊断的准确性是没有帮助或者是不利的。因此,深入分析了分层分类过程中特征的组织和利用机制后,本文提出了关联特征向量的概念。关联特征向量模拟人脑分层分类过程中的特征选择和组织机制,能够充分挖掘每一项特征对故障分类的最大贡献,有效抑制每一项特征对故障分类可能产生的干扰,同时还可以通过无效项放大不同类别之间的差异。另外,关联特征向量本身采用分层分类的特征选择和组织机制,适合于采用单层分类的简单分类机制,所以关联特征向量同时具备了单层分类精简性和分层分类的有效性。因此,关联特征向量不仅极大提高了特征向量对故障样本的表征能力,而且还保证了特征提取和后续故障诊断的时效性,是一种全新的旋转机械故障表征方式。(4)关联特征向量在样本表征上有革新性的优势,但是却不能准确地表征混迭模式。为此,本文在深入分析关联特征向量产生机制和对应特征提取方法的基础上,指出导致这个问题的原因是其对边界的“二值”逻辑处理模式。针对这一问题,本文以模糊逻辑取代“二值”逻辑,设计了模糊关联特征向量。模糊关联特征向量采用模糊逻辑模式处理关联特征向量产生和特征提取中的边界问题,在继承关联特征向量新奇独特结构的基础上,增强了普适性和健壮性,为存在少量混迭模式的故障诊断问题提供了一种简单高效的故障表征方式。(5)轴心轨迹识别是以图像识别的方式实现故障诊断,用传统的图像表征方法表征轴心轨迹时,普遍存在形状表征不全面、计算过程复杂和特征向量维度高等问题。针对这些问题,本文在深入研究四种最典型的轴心轨迹形状的基础上,提出了轴心轨迹直观特征的概念,分别从结构、区域和边界的角度定义了轴心轨迹的直观特征,并模仿人眼对形状的描述机制设计了相关直观特征的计算方法,以最简单的数学方式定义了轴心轨迹最有效最直观的特征。在此基础上,本文进一步提出了模仿人眼的轴心轨迹识别方法,它以直观特征为人眼,实现对轴心轨迹形状的宏观准确表征,以智能分类方法为人脑,实现轴心轨迹的智能识别。直观特征为轴心轨迹提供了一种新的优越的表征方式,模仿人眼的轴心轨迹识别方法为轴心轨迹的识别提供了一种简单、精确、高效的新方法。
臧云帆[9]2016年在《基于改进的LMD与IRLS-SVM的风电机组齿轮故障诊断》文中提出风电行业的飞猛发展使得风电机组齿轮运行的平稳性、可靠性需要更高的要求。风电机组包括齿轮箱、发电机、叶片、液压系统和偏航系统等,齿轮箱和发电机是主要的关键部件,也是故障发生率较高的部位,它们安全稳定的运行会影响到整个机组的性能,为了减少风电机组齿轮箱故障的发生率,提高运营效率,需寻求减少齿轮箱故障发生率的可靠方法。本文针对风电机组齿轮振动信号的非平稳性、时变性等特点,从机组故障机理和故障信号特征入手,对风电机组齿轮的早期故障诊断进行研究分析。结合了机组齿轮箱零部件的失效机理,总结了机组齿轮箱典型故障形式,采用改进的LMD与迭代鲁棒最小二乘支持向量机相结合的方法,通过改进的局域均值分解(改进的LMD)对风电机组齿轮故障振动信号进行分解,进而提取能量特征参数,并对其特征参数进行归一化处理,最后通过迭代鲁棒最小二乘支持向量机(IRLS-SVM)对机组齿轮的不同运行状态(正常状态、磨损故障和断齿故障)进行分类识别分析。本文主要内容归纳为:(1)介绍并论述了风电机组的齿轮箱振动机理及其典型故障,介绍了风电机组的原理及齿轮箱失效模式与故障振动信号特性,搭建实验平台,采集相关的实验数据;(2)详细介绍了 LMD的基本原理和算法、主要特点、端点效应问题及其能量特征提取方法,由于局域均值分解存在端点效应问题,采用自适应波形匹配延拓的改进方法。实验及仿真的结果表明,改进后的局域均值分解能够有效抑制存在的端点效应;(3)介绍了迭代鲁棒最小二乘支持向量机的基本原理和算法以及主要特点,针对故障识别问题将迭代鲁棒最小二乘支持向量机应用于风电机组齿轮故障识别分析中,对故障进行分类识别验证;(4)对实验测得的风电机组齿轮振动信号进行改进处理后的局域均值分解,提取能量特征参数,并对其能量特征参数作归一化处理,最后输入到迭代鲁棒最小二乘支持向量机进行分类识别。该方法简单易行,对风电机组齿轮的故障诊断较为有效。
李非[10]2017年在《基于EMD和形态学理论的齿轮故障诊断研究》文中进行了进一步梳理本文以齿轮为研究对象,采用经验模态分解(Empirical Mode Decomposition,EMD)和形态学滤波的方法,重点研究了EMD分解中的端点效应、齿轮振动信号特征以及强噪声背景下齿轮故障特征的提取等问题。首先,在分析齿轮振动机理的基础上,给出了齿轮故障仿真模型和常用的齿轮振动信号分析方法。针对齿轮振动信号受强背景噪声干扰的问题,研究了在抑制噪声信号和突出齿轮故障特征方面的信号处理算法。其次,介绍了EMD方法的具体“筛分”过程和端点效应的成因,分析了现有端点效应抑制方法的不足和缺陷。针对EMD分解中的端点效应问题,提出了基于支持向量机和窗函数相结合的端点效应抑制新方法,弥补了支持向量机延拓依然找不到端点以及窗函数会改变原始信号的缺点,其算法简单,运行速度快,可以有效地解决端点效应问题。再次,论述了形态学滤波器的基本原理和作用,并针对形态学滤波器中的结构元素选取问题,提出了基于峭度准则优化结构元素的自适应算法,仿真信号和齿轮故障实验信号均表明该方法对于信号的降噪处理和冲击特征的提取有显着地效果。最后,研究了EMD算法和形态学滤波在齿轮故障特征提取方面的应用。针对现有EMD降噪算法中存在的缺陷,以噪声信号和一般信号在自相关函数中的差异性为依据,提出基于EMD模态相关和形态学滤波的降噪算法,构建了一种新的判断分界点的准则。为了尽可能多地保留噪声分量中有用信号的高频成分,对判断出的噪声模态采用形态学滤波进行降噪处理,仿真实验和齿轮裂纹故障实验均表明该方法可以准确地判断出噪声模态和有用信号模态的分界点,与直接进行形态学滤波相比,该方法更好地突出了齿轮故障特征,其降噪效果显着。综上,本文创新性地提出一种抑制端点效应的改进算法,为今后研究端点效应抑制工作提供了一种思路和方法;将自适应形态学滤波引入齿轮故障诊断研究并与EMD降噪算法相结合,为齿轮故障诊断提供了一种新的思路,具有现实的价值和意义。
参考文献：
[1]. 短信号分析技术及其在故障诊断中的应用[D]. 陈军. 武汉理工大学. 2003
[2]. 基于EMD的机械振动分析与诊断方法研究[D]. 曹冲锋. 浙江大学. 2009
[3]. EMD算法研究及其在信号去噪中的应用[D]. 王婷. 哈尔滨工程大学. 2010
[4]. 基于信号处理的齿轮箱故障诊断方法研究[D]. 朱圆. 电子科技大学. 2017
[5]. 基于奇异值分解的信号处理关键技术研究[D]. 聂振国. 华南理工大学. 2016
[6]. 自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D]. 崔宝珍. 中北大学. 2013
[7]. 基于时频流形分析的设备故障诊断方法研究[D]. 汪湘湘. 中国科学技术大学. 2014
[8]. 基于多元征兆和多重智能方法融合的故障诊断研究[D]. 陈晓玥. 华中科技大学. 2015
[9]. 基于改进的LMD与IRLS-SVM的风电机组齿轮故障诊断[D]. 臧云帆. 昆明理工大学. 2016
[10]. 基于EMD和形态学理论的齿轮故障诊断研究[D]. 李非. 石家庄铁道大学. 2017
标签：自动化技术论文; 故障诊断论文; 机械振动论文; 模态分析论文; 振动试验论文; 平稳过程论文; 特征分解论文; 噪声分类论文; 振动频率论文; 自适应论文; emd论文;