基于振動(dòng)信號(hào)的旋轉(zhuǎn)機(jī)械故障特征提取方法研究.pdf

1、旋轉(zhuǎn)機(jī)械設(shè)備故障的盡早診斷識(shí)別是避免產(chǎn)生重大生產(chǎn)事故的有效手段，其關(guān)鍵問題是如何精確提取故障特征?；谡駝?dòng)信號(hào)分析技術(shù)的故障特征提取方法具有實(shí)時(shí)性強(qiáng)、可靠性高和便捷等優(yōu)點(diǎn)，已經(jīng)獲得廣泛采用。然而，旋轉(zhuǎn)機(jī)械故障信息往往較弱且信噪比低，有用信息通常被無關(guān)設(shè)備的振動(dòng)和環(huán)境噪聲等非故障信息所淹沒，以致傳統(tǒng)信號(hào)分析方法或單一的現(xiàn)代信號(hào)技術(shù)往往難以進(jìn)行有效的故障特征提取。本文以振動(dòng)信號(hào)分析技術(shù)為主要分析手段，以齒輪箱為主要研究對(duì)象，深入研究了形態(tài)小

2、波和FastICA算法在旋轉(zhuǎn)機(jī)械故障信號(hào)特征提取中的應(yīng)用途徑，并將自適應(yīng)形態(tài)梯度提升小波(AMGLW)、改進(jìn)的FastICA與峭度等理論相結(jié)合，建立了以AMGLW-rFastICA-峭度綜合分析法為基本框架的旋轉(zhuǎn)機(jī)械故障特征提取體系，研究?jī)?nèi)容主要包括以下幾個(gè)方面：
　　(1)介紹了齒輪箱的核心部件齒輪及滾動(dòng)軸承的振動(dòng)故障機(jī)理，并分析了其故障信號(hào)特征，為后續(xù)的故障特征識(shí)別奠定了基礎(chǔ)。
　　(2)針對(duì)實(shí)際觀測(cè)信號(hào)中包含強(qiáng)背景噪聲

3、的問題，采用具有更好降噪性能的AMGLW算法進(jìn)行降噪預(yù)處理，并對(duì)其步驟及其優(yōu)勢(shì)進(jìn)行詳細(xì)的解析，最后通過仿真信號(hào)分析，與傳統(tǒng)形態(tài)濾波和形態(tài)提升小波的降噪效果進(jìn)行對(duì)比分析，驗(yàn)證了AMGLW降噪的有效性及優(yōu)越性。
　　(3)針對(duì)觀測(cè)信號(hào)由多振動(dòng)源非線性混合而成，在深入研究了FastICA算法的基礎(chǔ)上，采用具有更好收斂穩(wěn)定性的rFastICA算法對(duì)觀測(cè)信號(hào)進(jìn)行解耦分離，使故障特征信息得到增強(qiáng)，最后通過仿真信號(hào)分析驗(yàn)證了rFastICA算法

4、具有更好的分離性能，并深入探討了噪聲及源信號(hào)的非高斯性對(duì)rFastICA算法分離性能的影響。
　　(4)針對(duì)識(shí)別包含故障特征信息的分離信號(hào)問題，引入了峭度指標(biāo)，利用其對(duì)故障沖擊信號(hào)的敏感性來判斷分離信號(hào)是否包含故障特征信息，并通過仿真分析驗(yàn)證了峭度的優(yōu)良識(shí)別能力。
　　(5)基于上述的研究，從優(yōu)勢(shì)互補(bǔ)的角度出發(fā)，提出了AMGLW-rFastICA-峭度綜合分析法，用來從復(fù)雜的觀測(cè)振動(dòng)信號(hào)中有效提取出微弱的故障特征信息，最后通