江星星[1]2016年在《齿轮箱关键部件非平稳振动信号分析及诊断方法研究》文中研究指明轴承、齿轮等齿轮箱关键部件发生故障及其状态变化都将导致机械系统表面采集的振动信号表现为非平稳、非线性的特点,且不同部件的动力学特征差异性也会增加振动信号的复杂度,因此研究先进的非平稳信号分析技术以提取设备状态信息成为故障诊断的关键。本文为了满足轴承、齿轮等关键部件的诊断需求,以解决轴承微弱故障信息识别,齿轮损伤识别及其状态监测,无转速计参照下转速强烈变化的齿轮箱故障信息识别的叁类技术难题为目标,深入地开展非平稳信号分析方法及诊断技术研究。论文主要工作如下:(1)为了克服经验模式分解等类似信号分解方法在定位轴承故障信息频带时存在偏差等问题,将新的经验小波变换方法引入了轴承故障诊断领域,且通过分析其基本理论和轴承信号的特性,选取了一种更适合于定位轴承故障信息的频带划分方法。结合新的经验小波变换的自适应分解特点和抑制共振频带内噪声的要求,提出了一种以经验小波变换为核心的轴承故障诊断方法。仿真信号和两个试验案例验证了提出方法的有效性、精确性及相应理论分析的正确性。(2)针对轴承故障信号可能包含多个故障信息频带的特点,为了提升轴承故障诊断的全面性,将变分模式分解方法引入了轴承故障诊断领域,且详细地分析了变分模式分解方法与轴承故障信号之间的联系,并讨论了其使用参数对分解结果的影响。基于变分模式分解方法和有良好提纯能力的多分辨能量算子提出了一种多共振模态分量识别的轴承故障诊断方法。仿真与试验信号分析结果表明提出方法具有全面提取故障信息的能力,且优于谱峭度等常用诊断方法。(3)为了解决相近模式的齿轮损伤故障难以识别的问题,探讨了一种非性信号分析方法-去趋势波动分析方法(Detrend Fluctuation Analysis,DFA)。以频率分布的角度,结合齿轮振动模型、迭加原理以及信号预处理技术等详细地分析了DFA方法分析振动信号出现多标度特性的原因。基于多特性分析结果提出了更多的、具有物理意义的特征参数。齿轮损伤振动信号验证了提出的特征参数的不同组合可以很好地表示不同齿轮箱状态,而且敏感指数表明提出的一些特征参数相比已有的一些特征参数具有更好的分类能力。(4)鉴于DFA方法分析振动信号得到的尺度波动函数曲线形态复杂,以多标度特性原理为指导,基于一种局部最优标度区间识别技术建立了简化标度指数识别的特征提取技术,以及引入极值增量预处理技术建立了简化标度区间形态的特征提取技术。齿轮箱试验数据分析结果表明建立的两种简化标度方法相比原始DFA分别在计算效率以及特征参数的识别能力等方面有了很大的提高。(5)为实现无转速计辅助情形下转速大波动齿轮箱故障诊断,分析了现有代价函数识别目标脊线的特性。基于有效脊线具有平滑特性而失效脊线出现突变的特点,提出了一种融合理论的脊线识别方法,并基于提出的脊线融合算法建立了转速大波动下齿轮箱故障诊断方法的基本框架。两组仿真信号与齿轮箱试验信号验证了提出的脊线识别方法的有效性。而且推导了行星轴承局部缺陷故障频率在频谱中的形式,利用识别脊线进行阶次分析成功地在阶次谱中识别出了行星轴承内圈故障特征频率。(6)为了从根本上解决代价函数识别形态复杂、微弱的脊线时出现失效的问题,分析了代价函数识别脊线失效的本质原因,并建立了新的脊线搜索框架以及定义了更具有物理意义的代价函数。基于一系列的改进措施提出了一种新的路径优化脊线识别方法,为实现无转速计辅助情形下变速机械设备健康状态监测与故障诊断提供了一种可靠的技术保障。不同信噪比仿真信号、变速运行齿轮箱振动信号以及实际工程中齿轮箱振动信号的分析结果表明提出的路径优化脊线识别方法的脊线跟踪能力十分优秀,而且与现有一些脊线识别方法相比具有一定的优势。
李宝庆[2]2016年在《基于自适应最稀疏时频分析的机械故障诊断方法》文中指出机械设备状态监测和故障诊断对于保证设备健康运行具有重要的作用。随着科学技术的发展,现代机械设备越来越复杂,对机械故障诊断新技术和新方法的研究具有重要的意义。机械故障诊断技术的核心是故障特征的提取,设备运行中产生的振动信号包含了大量的设备状态信息,因此,基于振动的诊断方法是非常有效的机械故障诊断方法。然而,机械振动信号比较复杂,常表现为非平稳、多分量、多调制特征,且经常会受到噪声干扰。因此,研究一种合适的能够准确提取故障特征信息的信号分析处理方法具有重要的实际意义。自适应时频分析方法在信号分解中根据信号本身的特性自动选择基函数或参数,能够有效提取机械故障振动信号的本质特征,因此在机械故障诊断中得到了广泛的应用。自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法是一种新的自适应时频分析方法,它以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,通过求解最优化问题将信号自适应地分解为若干个内禀模态函数之和。ASTFA方法结合了EMD(Empirical Mode Decomposition,EMD)方法中将信号自适应地分解为若干个内禀模态函数之和与稀疏分解中在过完备字典库中寻优以获得信号稀疏分解的优点。论文在国家自然科学基金项目(编号:51375152)的资助下,对ASTFA方法的理论进行了研究与完善,并将ASTFA方法应用于机械设备故障诊断。论文的主要研究工作有:(1)对ASTFA方法进行了研究,将ASTFA方法与EMD、LCD(Local Characteristic-scale Decomposition,LCD)、LMD(Local Mean Decomposition,LMD)方法进行了对比,其分解结果的正交性、精确性等评价指标优于EMD、LCD、LMD方法;对ASTFA方法的分解能力进行了研究;对ASTFA方法的抗模态混迭性能进行了研究,仿真和转子故障信号的分析验证了ASTFA方法在抑制模态混淆方面的优势。(2)从瞬时频率计算对ASTFA方法进行理论解释。ASTFA方法与EMD、LCD、LMD等方法具有理论共性,都是将复杂信号自适应地分解为具有调幅部分和调频部分乘积形式的单分量信号之和。但是,ASTFA方法可以直接计算信号的瞬时频率,不用通过归一化的方法得到纯调频信号,再进行瞬时频率计算,避免了极值点处存在的波动和估计误差,具有明显的优越性。(3)从滤波器设计对ASTFA方法进行解释。ASTFA方法将信号由时间域转化到相位域,基于数据本身相位函数的驱动来设计自适应滤波器,即:通过选择合适的初始相位函数和平滑度控制参数来设计符合要求的滤波器,从而实现信号的自适应分解。(4)针对ASTFA方法初始相位函数的选择问题,提出了基于一维精确搜索的ASTFA方法和基于遗传算法(Genetic Algorithm,GA)的ASTFA方法。两种改进的ASTFA方法都是基于初始相位函数的最优选择而提出,解决了原始ASTFA方法中初始相位函数选择问题。(5)研究了ASTFA方法在齿轮故障诊断中的应用,提出了基于ASTFA的瞬时幅值谱和瞬时频率谱方法;提出了基于ASTFA的多尺度模糊熵偏均值(Partial Mean MFE,PMMFE)的齿轮故障诊断方法;研究了ASTFA方法在齿轮箱复合故障诊断中的应用;研究了ASTFA方法在行星齿轮箱故障诊断中的应用。(6)研究了ASTFA方法在变速工况下机械设备故障诊断中的应用。提出了基于ASTFA的阶次方法,基于ASTFA的阶次方法能够准确提取变速齿轮的故障特征信息;提出了基于ASTFA的广义解调方法,ASTFA方法可以提供广义解调方法所需的解调相位函数,解决了广义解调时频分析方法中相位函数的选择问题,基于ASTFA的广义解调方法能够有效提取变速工况下的滚动轴承故障特征信息。
赵明[3]2013年在《变转速下机械动态信息的自适应提取与状态评估》文中认为与平稳工况相比,变转速下的机械设备的动态信号十分复杂,信号会出现调频、调幅、调相等非平稳特征,这些特征又往往相互耦合,使故障特征的提取变得十分困难。变转速下机械故障特征的提取既是许多行业机械装备故障诊断水平提升所迫切需要解决的技术瓶颈,也是当前国内外研究的热点问题。本论文是在这一背景下,从故障信号的产生机理、信号的传播机制入手,通过研究转速波动对机械动态信号影响的本质,建立了机械故障瞬态幅、频、相信息的自适应提取方法,揭示了故障特征随设备转速的演化规律。这一研究工作为变转速下的机械故障诊断理论奠定了基础,并成功应用于转子裂纹特征提取、齿轮箱起停车故障诊断、变转速轴承故障诊断、数控机床传动链误差溯源等领域,获得了令人满意的效果。论文首先指出了变转速下机械故障诊断的迫切需求和难点,根据变转速下机械故障诊断方法的发展历程,从信号采集与预处理、非平稳信号分析、故障智能诊断等角度对现有文献进行分类、回顾和总结,指出现有方法无法有效实现变转速下机械故障诊断的症结所在。回转设备的瞬时转速是变转速下机械故障诊断的重要参数之一,也是提取表征设备运行状态其它关键参数的基本前提,针对传统STFT方法存在的瞬时转速估计精度不足的问题,论文提出了一种基于短时chirp-Fourier变换的自适应瞬时转速估计方法。该方法建立了调频参数的自适应选取策略,可根据信号的时频分布特性对信号进行自适应匹配分解,不但提高了计算效率,而且避免了谱图模糊问题,实现了瞬时转速的精确估计。阶次跟踪技术建立了非平稳信号与循环平稳信号之间桥梁。然而现有的阶次跟踪方法总是依赖于编码器或键相传感器等硬件设备,不仅提高了测试成本,也给现场安装和维护带来不便。针对该问题,本文将自适应短时chirp-Fourier变换与Vold-Kalman滤波相结合,建立了一种适用于大转速波动的无键相阶次跟踪技术,摆脱了传统阶次跟踪方法对键相信号的依赖,拓展了阶次跟踪技术的应用范围,实现了转速自适应跟踪。起停车是许多机械装备历经的一种工况,也是一种典型的变转速运行过程。然而,从机械测试的角度看,该过程相当于对机械系统施加了一个扫频激励,由于设备的故障在不同的激励频率下会呈现出不同的振动响应和变化趋势,与恒定转速工况相比,起停车过程的动态信号中就包含了更为丰富的状态信息。为此,本文建立了一种基于短时相位解调的齿轮箱起停车故障诊断技术,通过联合柔性化的时域平均和短时相位提取方法,将故障引起的相位调制表征为关于转速和齿轮箱回转角度的联合分布函数。该技术不仅可以更加有效地识别故障,而且能为齿轮箱最佳测试转速的确定提供有力依据。传统滚动轴承故障诊断方法建立在恒定转速假设的基础上。然而在工业应用中,多数的承载轴承的运行转速非恒定。在变转速工况下,轴承的故障通过频率随时间而变化,因此,其冲击包络呈现非平稳特征,导致传统的特征频谱分析方法不再有效。为了解决上述问题,本文从滚动轴承的振动形成机理出发,建立了一种无键相包络阶次分析方法。该方法首先采用谱峭度方法获得故障的冲击包络信号;然后通过广义阶次跟踪技术提取滚动轴承的瞬时相位信息;最后利用该相位信息对冲击包络信号进行角度域重采样,从而解决了变转速下滚动轴承的故障诊断问题。本文将该算法应用于某铁路局列车滚动轴承的故障诊断,其诊断效果相比传统方法获得显着提高。尽管振动分析是现阶段设备故障诊断最为有效途径之一,然而在一些场合,测振传感器由于环境和工况限制难以安装。那么在振动信息无法获得的情况下,如何寻找新的诊断信息源成为现阶段故障诊断的研究热点。针对以上问题,本文探索了内置编码器信息在机械设备故障中的应用。为了精确提取故障引起的转速波动特征,提出了一种基于数字微分器的瞬时转速估计方法,并进一步讨论了窗函数及窗长选取对转速算法性能的影响,为机械设备的故障特征提取提供了一种新的手段。通过现场应用案例证实了该方法在数控机床振源定位中的有效性和稳定性。将基于内置传感器信息的测试手段与上述非平稳信号处理方法相结合,形成了变转速下的机床传动误差测量与溯源技术。基于以上原理,研究并开发了一套机床传动链动态误差测试系统。本系统已为秦川机床工具集团有限公司、天水星火机床有限责任公司、青海华鼎重型机床有限责任公司等多家企业解决了20多台/套机床的动态传动误差、多轴同步误差、装配误差的测量及溯源等问题,提高了机床产品的可靠性,为产品的性能评估提供了一种有效工具。
樊春玲[4]2001年在《低频振动下机械故障诊断技术的研究》文中认为机械故障诊断在现代化生产中有重要的意义，从振动信号中提取反映振动状态的信息和参数是机械故障诊断的主要方法。本课题在进行文献调研和资料研究的基础上，针对现有振动信号分析和机械故障诊断技术的研究现状，进行了方案论证，确定了以下设计内容： 在硬件设计上，提出了系统设计模块化和模拟、数字、图形一体化的思路，确定了“在线分析”和“离线诊断”同时兼顾的模式。并且在模拟部分设计中，采用了程控放大和程控抗混滤波技术，从而改善了传统电荷放大器运用手动切换进行增益调节所存在的不可克服的缺点，并且能够根据所输入的频率参数变化程控的选择相应的截止频率，更好的滤除高频干扰。采用点阵式图形液晶显示器能将时域、频域的波形更清楚地显示出来。 在软件设计中，根据“自顶向下”的设计原则，综合考虑各方面的情况，进行了监控程序、分析算法程序、显示程序、通讯等程序的设计，建立了一个典型机械故障诊断专家系统，并详细地给出了算法流程。 在原有的频率分析技术的基础上，将小波分析应用到机械故障诊断中来。传统的频谱分析是基于傅里叶分析，由于傅里叶分析只在频域内有很好的分辨率，不能适应非平稳信号的分析。而小波分析具有很好的时——频分析特性以及对信号的局部化分析的能力，将其应用到机械故障诊断中来，能够很好的进行信号的时间定位和频率抽取。 在此基础上，设计出了具体电路并进行了定性分析实验，通过系统电路的设计和调试得出实验结果。实验结果表明：该系统可实现程控选择适调增益和抗混滤波频率；从实验对比波形可以看出，其精度、稳定性和抗干扰能力等特性，都得到了很大程度的提高。
曹伟青[5]2015年在《机械早期故障弱信号提取及智能诊断研究》文中指出在机械设备早期故障诊断中,最重要也是最困难的就是故障信号的特征提取。受到现场环境的影响,所测得的信号包含大量的噪声干扰,信号的特征很微弱,往往被噪声淹没,很难获得准确的设备状态信息。如何从含噪的混合信号中检测出微弱故障特征信号是当前研究的一个热点问题。对于单一的旋转机械,论文在研究形态滤波、奇异值分解(SVD)降噪的基础上提出了经验模态分解(EMD)微弱信号检测方法和随机共振微弱信号检测方法,并通过轴承故障得以验证所提方法的有效性；对于复杂的旋转机械,由传感器采集的信号源比较复杂,所以论文研究了基于独立分量分析(ICA)的微弱信号检测方法,并成功应用于齿轮箱的故障诊断中；对于有些机械设备出现故障时,由于其工作过程不具有周期性,所以无法直接从故障频率来判断故障模式,如刀具的磨损监测。鉴于此,论文提出了微弱特征提取与遗传算法优化的B样条模糊神经网络相结合的智能诊断方法,最后准确实现了刀具磨损的故障诊断。具体的研究内容如下：利用联合降噪结合经验模式分解的方法实现了轴承的故障诊断。经验模式分解是一种自适应的时频分析方法。在强噪声背景下利用经验模式分解提取故障特征时,噪声的存在会加重分解的边界效应,影响分解的质量和效果。因此,论文提出一种将形态滤波和奇异值分解消噪及EMD结合起来的新的弱故障特征提取方法。首先对原始振动信号进行形态滤波,然后进行SVD降噪,最后把消噪的信号进行EMD分解,获得本征模态分量提取故障特征信息。仿真信号和轴承故障分析结果均表明,该方法可以提高EMD分解的质量,能提取到有效的微弱故障特征。由于随机共振能够利用噪声来增强信号,所以它在强噪声背景下检测微弱故障特征有着独特的优势。将该方法应用于轴承故障诊中,可以看出,当故障频率与噪声频带比较接近时,经该方法处理后的信号,信噪比更高,故障识别更明显。针对实际工程上采集的信号难以满足小参数随机共振的条件,论文研究移频-变尺度随机共振方法实现了大参数信号的微弱故障检测。同时,为了实现与输入信号最佳匹配的随机共振参数,提出基于遗传算法的多参数同步优化的自适应随机共振算法,以双稳系统输出的信噪比为适应度函数,对随机共振系统中的多个参数进行同步优化,克服了传统随机共振系统只实现单参数优化的缺点。对于复杂的旋转机械,独立分量分析可以从源信号中分离出各个独立分量,是一种很有效的微弱信号检测方法。对于含噪的单通道ICA分离方法,提出将噪声作为虚拟观测信号引入,与传感器采集的信号一起构成二维观测向量,通过Fast ICA分离,即可以解决盲分离中的欠定问题,又可以将信号中的噪声去除,从而增强信号的有效特征；另一方面,对于多通道盲分离,研究了基于频域的盲解卷算法,并将这种方法应用于齿轮箱的故障监测中,实验结果表明了该方法能成功应用于机械故障诊断中。刀具的磨损监测过程不具有周期性,所以无法直接从故障频率来判断故障模式,采用B样条模糊神经网络则可以实现刀具磨损的故障诊断。以B样条为基函数的模糊神经网络,传统的学习算法是采用自适应学习算法,网络参数需要根据经验标定,容易陷入局部最小,论文采用遗传算法优化网络参数进行全局寻优,得到了比较好的诊断效果。同时通过对比发现,利用经验模式分解,随机共振以及Fast ICA实现多参数故障特征提取,可以提高设备的故障诊断率。实验表明了所提方法的有效性。论文最后对本文工作进行了总结,并对故障特征提取技术的研究进行了展望。
周晓君[6]2012年在《强噪声环境机械早期故障微弱信号特征分离算法研究》文中提出由于机械结构系统的复杂性，尤其是旋转机械，诸如齿轮、轴承、转子等与轴承座及箱体耦合后的界面接触刚度、界面能量损失和系统噪声消除等核心科学技术问题一直未很好解决，是导致机械系统早期故障低诊断成功率的主要原因。目前，如何快速、有效、准确地从强噪声环境中，分离机械早期故障特征的微弱信号是提高早期故障诊断成功率，解决关键技术装备安全运行与防止灾难性事故的核心关键所在，并已经成为机械运行状态监测和故障诊断领域中的关键共性基础问题。因此，开展强噪声环境下机械故障机理与早期故障信号特征提取的探索研究，具有重要的理论意义和实际工程价值。本论文主要围绕机械早期故障的机理及其振动耦合信号、故障特征非平稳信号的降噪理论与算法、基于进化论的自适应最优噪声抑制算法与早期故障特征提取等进行研究，并以齿轮动力传动系统为研究对象，通过模拟仿真和物理台架实验，验证了理论与算法的有效性和准确性。论文的主要工作有以下几个方面：①考虑齿轮轴孔和齿根裂纹扩展程度对齿轮啮合刚度的影响，提出了轮齿齿根裂纹扩展精确计算模型；建立了啮合力与裂纹扩展的映射关系，并基于能量法提出了轮齿裂纹扩展时的啮合刚度计算新方法；运用轮齿裂纹扩展的啮合刚度计算新方法，通过求解16自由度齿轮传动系统的动力学方程，获得了轮齿裂纹扩展的振动响应，分析了不同裂纹故障程度与其振动响应信号之间的关系，并获得振动响应信号的基本构成与特征，以此提出了机械故障振动信号的基本模型，为研究强噪声环境下早期故障特征的提取奠定了基础。②讨论了转速不同波动工况与相位累积误差之间的关系，并在转速波动可预估的条件下，基于特征频率估计算法提出了无时标变周期非平稳振动信号的时域同步平均算法，消除了转速变化对基于周期的时域同步平均算法的相位累计误差效应的影响，解决了转速可预估条件下的无时标采样因相位累积误差造成的提取齿轮早期故障信号特征困难的问题，为强噪声环境下获取齿轮传动系统早期故障提供了新的方法。③基于经验模式分解、动态时间规整和时域同步平均算法，通过时域截断信号之间的相似性估计，计算转速波动的每转相位差，提出了基于集合相位校正的无时标采样时域同步平均算法，解决了不能准确估计转速波动情况，难于通过频率估计抑制相位累计误差的问题。同时，经物理台架转速波动斜齿轮故障试验数据分析，验证了基于集合相位校正的无时标采样时域同步平均算法的有效性和准确性。④基于进化论规则提出了进化论自适应消噪算法，解决了自适应消噪算法如何根据参考信号实现全局最优化抑制噪声信号的问题。提出了峰值系数指标评价算法的降噪效果，解决了实际故障工况因故障引起的振动信号难以用信噪比来描述消噪效果的问题，分析了峰值系数指标与基于进化论自适应滤波参数(滤波时间、进化系数等)之间的关系；提出了收敛速度、峰值系数高度指标参数，解决了基于进化论规则的最优自适应滤波参数确定的问题；并经数字模拟仿真验证了进化论自适应消噪算法的消噪特性及其影响参数，为该算法在实际机械传动系统工况下的应用提供了理论依据。⑤提出了蜂窝式进化规则用于克服目前基于进化论规则自适应滤波器收敛速度慢的问题，并完成了蜂窝式进化论自适应消噪算法推导，实现全局最优噪声抑制的同时，提高了收敛速度；提出了进化论自适应消噪算法与小波降噪算法相耦合的增强型降噪滤波器算法，有效地提高了强噪声环境下机械微弱冲击性故障特征信号的提取能力。这两个算法的提出为实现进化论自适应消噪算法在复杂工况下机械传动系统的信号提取和故障诊断分析中的应用奠定了基础。
郝研[7]2012年在《分形维数特性分析及故障诊断分形方法研究》文中指出分形是现代数学和非线性科学研究中一个非常活跃的分支，它可以理解为局部和整体在某方面存在相似性。在分形理论中，分形维数是一个非常重要的参数，可以定量的描述非线性系统的分形特征，度量信号的空间填充能力，已经被广泛应用于多个领域。在机械故障诊断方面，不同的故障状态下，非线性因素对机械振动信号的影响是不同的，分形维数可以有效的度量机械系统的故障特征、识别机械设备的故障状态。本文以分形理论为基础，主要围绕分形维数特性和分形故障诊断方法两个方面展开深入的研究。针对分形盒维数对噪声不敏感的现象，研究了盒维数的抗噪性能。在不同噪声强度的影响下，改变信噪比，对分形盒维数的抗噪曲线进行分析。在该曲线中，定义了分形盒维数的抗噪性能边界点，以此为基准，将抗噪曲线划分为两个区域，分别对每个区域内的曲线变化趋势进行分析，揭示了分形盒维数的抗噪特性。对于单重分形故障诊断，以分形盒维数为故障特征量，讨论了单重分形故障诊断的一般方法，验证了分形盒维数对机械振动信号的定量度量能力和对故障状态的识别能力。多重分形可以在多个测度下对非线性信号进行定量的度量，不仅可以描述信号的整体特征，还能够刻画信号的局部性和不均匀性。多重分形故障诊断以样本序列为基础，采用相关性判断方式实现设备状态识别，扩大了分形故障诊断的应用范围。在多重分形故障诊断的基础上，结合信号分解方法，将分形故障诊断的特征量扩展为矩阵形式，实现分形特征量从单重分形维数、广义维数到分形矩阵的延伸与发展。同时，对广义维数的相关性判断法进行改进，提出了适用于矩阵式分形特征量的相关系数计算方法。为了使分形矩阵的构建不局限于一种信号分解方法，分别研究了经验模式分解和小波、小波包分解的基本原理，并以此为基础，实现了基于矩阵式特征量的分形故障诊断，使矩阵式分形特征量的构建适应于更多的信号分解方法。为了使分量信号的选择不受信号分解方式的限制，提出了基于相关系数的分量信号选择方法，采用该分量信号选择方法可以有效的提高矩阵式分形特征量的故障识别能力，更好的区分故障状态、判断故障类型。高频噪声对分形故障诊断的效果产生了很大的影响，为了抑制这一不利因素，分析了随机共振的机理，重点研究了级联双稳随机共振的滤波特性，并将其与广义维数相结合，应用于高频大噪声背景下的机械故障诊断中。级联双稳随机共振可以利用高频噪声增强低频信号的能量，使分形维数具有更强的状态识别能力，提高了故障诊断的有效性。
郭大文[8]2012年在《旋转机械故障特征提取与分析技术研究》文中研究说明在现代工业生产中，旋转机械一直都是传动链上重要的设备之一，因此，预知和诊断旋转机械故障成为工业生产中必不可少的工作。近年来，旋转机械故障诊断技术是发展较为迅速的新技术，而在故障诊断技术中最为重要的是对故障特征信息的提取与分析。怎样有效提取和分析故障特征成为当前故障诊断技术中研究的重点问题。本文以旋转机械常见故障为研究对象，分析了常见机械故障的失效机理，并应用故障特征提取与分析方法对故障信息进行提取分析，最后判断故障的来源。本文的主要研究内容如下：1、对旋转机械常见故障机理进行分析研究，详细介绍了轴承故障、齿轮故障和转子不对中故障的特征及其表现形式。设计两种不同的振动信号采集系统分别实现等时采样和等角度采样。2、重点介绍了旋转机械故障信号特征提取和分析方法，主要介绍了幅值域分析、时域分析、频域分析、阶比分析等相关分析方法并做了实例仿真。3、对故障诊断试验台设置的典型机械故障特征进行提取、分析和诊断。试验台模拟不同工况下的轴承故障、齿轮故障和转子不对中故障，利用希尔伯特变换和阶比分析分别对等时采样和等角度采样信号进行特征提取，最后根据故障机理来分析故障来源。通过实验分析证明：希尔伯特变换谱分析和阶比分析能够较为准确地提取不同工况下的典型机械故障特征，并实现故障源的正确识别。
管争荣[9]2014年在《基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法研究》文中认为齿轮箱是一种量大面广的机械设备关键性基础部件,也是最易损坏的零部件之一,其运行状况直接影响到整个机器或机组设备的安全运行,因此,如何能尽早发现齿轮系统的早期故障,做到合理组织安排设备的维修,避免发生重大安全事故,造成重大的经济损失具有重大意义。机械设备的振动信号蕴含着系统(正常、故障)状态的信息,各种类型故障也有一定的规律可循,因此,采用振动信号对大型、关键机组运行状态监测和故障诊断是目前设备管理维护的主要手段。由于受齿轮传动振动响应和环境噪声的影响,齿轮早期故障的微弱信号往往被其他成分或环境噪声淹没,故障信号具有复杂的非线性、非平稳特性,采用传统的基于平稳信号假设的信号处理方法很难对其取得准确诊断,因此,研究有效去噪、消噪信号预处理技术和非平稳信号处理方法对设备故障诊断具有非常大的意义。小波分析和经验模态分解(EMD)是近年来发展起来的两种处理非平稳信号的时频方法,小波阈值去噪,形态滤波,奇异值分解技术是几种应用较多的去噪方法,两种时频方法与几种去噪方法相融合,被广泛应用于信号检测,机械故障诊断等工程领域。同时,随着设备向着高速度、高功率、高可靠性、大型化/微型、智能化、集成化的方向发展,使得传统的设备故障诊断方法和单一智能诊断方法已不能完全满足设备状态复杂性的需求,将多种智能诊断方法相融合的智能诊断技术是目前研究的热点方向。因此,本文对齿轮系统动力学和故障形成机理、小波分析理论、小波阈值去噪和重分配小波谱奇异值去噪、Hilbert-Huang变换理论、D-S证据理论、遗传算法-BP神经网络,模糊优化理论研究的基础上,提出了基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法,分析齿轮典型故障信号的结果验证了该方法的有效性。对齿轮故障诊断提供了依据。本文主要工作如下:[1]本文建立了考虑摩擦、时变刚度、齿侧间隙的具有偏心直齿轮摩擦-间隙齿轮振动模型,分析考虑摩擦、齿侧间隙、偏心质量时的齿轮动力学行为以及它们的频谱特征。[2]提出了基于shannon熵优化TBP参数的重分配小波尺度谱进行SVD降噪方法,通过仿真信号分析发现该方法具有比小波尺度谱、重分配小波尺度谱更好的时频聚集性,且其时频分辨率能够同时实现最佳,具有更高的时频分布可读性。因此,该方法能够识别出强噪声背景下的机械早期故障微弱信号成分,为强噪声背景下机械早期故障微弱信号的去噪、消噪以及特征提取和故障诊断奠定了一定的理论基础。[3]将经验模式分解(EMD)方法和分形维数融合,提出了基于小波阈值去噪和EMD分形融合故障诊断方法,列出了基于EMD的分形维数的具体步骤。并将该方法应用于齿轮传动齿面磨损、断齿故障状态振动信号的故障诊断中,用关联维数均方根值替代关联维数,实现对齿轮齿面磨损和断齿等故障的准确诊断,取得了良好的效果。[4]提出了基于D-S证据理论的多模型融合智能齿轮故障诊断方法,通过实例验证:本文提出的多模型融合模型能够综合利用各单一智能模型的优点,使得区分度比单一模型有明显提高,即使单一模型出现误判,该融合模型仍然能够得到正确的诊断结果。具有较好的容错性、纠错性。
武哲[10]2016年在《旋转机械故障诊断与预测方法及其应用研究》文中研究指明研究旋转机械的故障诊断与预测技术,对于保障机械设备运行的安全性和稳定性具有十分重要的意义。旋转机械的振动信号具有非稳定性和非线性,同时,在强背景噪声工作环境下,旋转机械的微弱故障特征很容易被噪声淹没,此外,当机械系统出现故障时,往往会产生位置不同的复合故障,故障之间相互耦合,从而给旋转机械故障精确诊断带来了挑战,因此,强噪下微弱、复合故障诊断是当今机械故障诊断领域的难点。论文将旋转机械作为研究对象,研究形态学滤波、局域均值分解、多元经验模态分解和噪声辅助多元经验模态分解等时频方法及其在旋转机械的微弱、复合故障诊断中的应用,为机械故障诊断、性能退化状态识别和趋势预测提供新的有效手段。主要内容如下：1、提出了一种基于LMD和形态滤波的轴承故障诊断方法。设计并搭建了铁路货车轮对滚动轴承测试系统,并对轴承典型故障振动信号进行分析,仿真实验与轴承故障试验结果验证了该方法的有效性。针对形态滤波器尺度选择缺乏自适应的问题,提出了基于遗传算法的自适应形态滤波方法,仿真和试验的分析结果表明,自适应形态学滤波器对于信号降噪处理和冲击特征提取两方面均有明显的效果。2、针对EMD和LMD等时频分析方法无法处理旋转机械多通道振动信号的缺点和旋转机械早期微弱故障、复合故障的特征提取问题,提出了基于改进的多元经验模态分解的旋转机械早期故障诊断方法。该方法利用多元经验模态分解将多通道振动信号分解得到一系列多元IMF分量,将峭度准则和互信息引入IMF的选取,进一步消除混入的噪声和伪分量的影响。仿真信号和旋转机械故障信号的分析结果表明,改进的MEMD方法在多通道信号分解的精确性和鲁棒性等方面具有明显的优越性和有效性,为旋转机械微弱故障、复合故障诊断和多通道振动信息融合分析提供了新的思路和手段。3、NAMEMD是一种新的非线性信号自适应时频分解方法,该方法克服了MEMD和EEMD的模态混迭等问题,但是经过研究发现,NAMEMD方法并不能完全抑制MEMD的模态混迭现象,得到的IMF仍存在模态混迭,需要后续处理。为了抑制NAMEMD方法分解中的模态混迭现象,提出了改进的NAMEMD方法。采用基于排列熵的随机性检测技术及时地检测异常信号和噪声信号,再对剩余信号进行NAMEMD分解,通过仿真信号验证了所提出方法的有效性,在此基础上,针对强噪下机械故障特征提取的问题,提出了基于改进的NAMEMD形态学与Teager能量算子解调的旋转机械故障诊断方法,并通过仿真信号和旋转机械故障信号将所提出的方法与EEMD和NAMEMD进行了对比,结果表明改进的NAMEMD方法消除了EEMD集成平均过程中因添加白噪声的时频特性差异带来的模态混迭,分解结果相对于EEMD具有较准确的IMF频谱分布和更好的降噪效果,分解结果更为精确。所提方法在抑制模态混迭、增强降噪效果和提高分解精确性上要优于EEMD和NAMEMD方法,结果验证了所提方法的有效性和优越性。4、在分析样本熵和排列熵原理的基础上,针对轴承振动信号的非线性特征,提出了基于NAMEMD和排列熵的轴承故障智能诊断方法。首先对振动信号进行NAMEMD分解,然后对前5个有意义的IMF分量进行排列熵计算,并将其作为特征向量输入训练好的SVM分类器,有效地实现轴承四种典型状态类型的识别,准确率高。5、将NAMEMD自适应分解与基于非线性动力学参数的信号复杂性的排列熵理论相结合,提出了基于改进NAMEMD和排列熵的旋转机械退化状态检测方法,该方法首先将多分量的振动信号自适应地分解得到一系列信噪比较高的IMF分量,利用对突变信号敏感的排列熵算法分别对各IMF进行排列熵分析,进行轴承运行状态及演化过程的准确识别。建立了滚动轴承振动信号和退化状态之间的联系。通过仿真试验和滚动轴承全寿命试验数据,证明了建立的状态指标能够准确、完整地反映滚动轴承的退化状态趋势,实现了滚动轴承全寿命周期状态的有效识别。所提方法具有较强的鲁棒性,为机械设备的性能退化状态检测提供了一种新的有效途径。6、针对滚动轴承退化状态趋势预测问题,提出了基于NAMEMD、PE和SVR的滚动轴承故障演化状态趋势预测模型,实现滚动轴承性能退化趋势的准确预测,评估在未来一段时间内的轴承状态的变化趋势,从而达到加强机械设备运行安全性与稳定性的目的。通过轴承全寿命试验,证明了所提方法的准确性和有效性,具有较高的预测精度和鲁棒性,对工程实践具有重要的指导意义。
参考文献：
[1]. 齿轮箱关键部件非平稳振动信号分析及诊断方法研究[D]. 江星星. 南京航空航天大学. 2016
[2]. 基于自适应最稀疏时频分析的机械故障诊断方法[D]. 李宝庆. 湖南大学. 2016
[3]. 变转速下机械动态信息的自适应提取与状态评估[D]. 赵明. 西安交通大学. 2013
[4]. 低频振动下机械故障诊断技术的研究[D]. 樊春玲. 燕山大学. 2001
[5]. 机械早期故障弱信号提取及智能诊断研究[D]. 曹伟青. 西南交通大学. 2015
[6]. 强噪声环境机械早期故障微弱信号特征分离算法研究[D]. 周晓君. 重庆大学. 2012
[7]. 分形维数特性分析及故障诊断分形方法研究[D]. 郝研. 天津大学. 2012
[8]. 旋转机械故障特征提取与分析技术研究[D]. 郭大文. 电子科技大学. 2012
[9]. 基于D-S证据理论的多模型融合齿轮早期故障智能诊断方法研究[D]. 管争荣. 西安建筑科技大学. 2014
[10]. 旋转机械故障诊断与预测方法及其应用研究[D]. 武哲. 北京交通大学. 2016
标签：自动化技术论文; 故障诊断论文; 机械振动论文; 机械论文; 旋转变换论文; 特征分解论文; 振动频率论文; 自适应论文; 轴承论文;