旋轉(zhuǎn)機(jī)械強(qiáng)噪聲中微弱故障特征提取的研究.pdf

1、在旋轉(zhuǎn)機(jī)械故障診斷中，因?yàn)闄C(jī)械設(shè)備的現(xiàn)場(chǎng)環(huán)境十分復(fù)雜，采集到的振動(dòng)信號(hào)中含有大量的噪聲。特別是振動(dòng)信號(hào)中的微弱故障，故障特征能量較小，還被大量的噪聲覆沒，嚴(yán)重地影響了機(jī)械故障信號(hào)的特征提取和故障的識(shí)別。論文以旋轉(zhuǎn)機(jī)械為研究對(duì)象，對(duì)振動(dòng)信號(hào)中存在的強(qiáng)噪聲干擾下微弱信號(hào)的特征提取進(jìn)行了研究。
　　近年來，經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）時(shí)頻分析方法被廣泛地應(yīng)用在旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的分析處理

2、中，然而在含有強(qiáng)噪聲的振動(dòng)信號(hào)中，噪聲會(huì)干擾EMD對(duì)于微弱信號(hào)的提取，分解結(jié)果中會(huì)有嚴(yán)重的端點(diǎn)效應(yīng)，對(duì)于分解的質(zhì)量和效果有很大的影響。為此，論文提出了基于多分辨奇異值分解和經(jīng)驗(yàn)?zāi)B(tài)分解的微弱信號(hào)提取方法，利用信號(hào)中噪聲和有用信號(hào)的相關(guān)性不同，通過多層奇異值分解提高了信噪比，實(shí)現(xiàn)了強(qiáng)噪聲的去除保留了微弱信號(hào)，再通過EMD和希爾伯特包絡(luò)譜結(jié)合對(duì)去噪后信號(hào)的頻率分量進(jìn)行提取。通過仿真和真實(shí)故障數(shù)據(jù)實(shí)驗(yàn)證明了該方法在強(qiáng)噪聲中提取微弱信號(hào)有很好的

3、效果。
　　奇異值分解作為一種非線性降噪方法被普遍應(yīng)用在信號(hào)的降噪檢測(cè)中，然而在強(qiáng)背景噪聲中對(duì)于微弱信號(hào)的檢測(cè)，奇異值分解效果欠佳，關(guān)于該問題，論文提出了多分辨奇異值分解，對(duì)信號(hào)經(jīng)過多次的分解，實(shí)現(xiàn)了噪聲的逐級(jí)去除，提高了信號(hào)的信噪比。再通過奇異值分解差分譜理論的方法選擇有效奇異值個(gè)數(shù)，得到了去噪后的信號(hào)，EMD分解將不同分量信號(hào)提取出來，實(shí)現(xiàn)了微弱信號(hào)的提取。然而當(dāng)信號(hào)中含有兩個(gè)或多個(gè)頻帶太過接近或振幅比過小時(shí)，EMD分解不能將

4、單頻分量正確分離，會(huì)得到虛假的分量，這樣影響了對(duì)于故障結(jié)果的判斷。
　　針對(duì)相近頻率信號(hào)難以分離的問題，提出了變分模態(tài)分解（Variational Mode Decomposition，VMD）和奇異值分解相結(jié)合的方法。VMD分解是基于Alternate Direction Method of Multipliers（ADMM）優(yōu)化算法通過迭代搜尋變分模型的最優(yōu)解來得到每個(gè)分量的中心頻率及帶寬，從而能夠自適應(yīng)地實(shí)現(xiàn)信號(hào)在頻域內(nèi)分解

5、以及各分量的有效分離。VMD分解具有堅(jiān)實(shí)的理論基礎(chǔ)，也有更強(qiáng)的噪聲魯棒性，在模態(tài)分離方面具有更高的頻率分辨力。但是在用VMD分解信號(hào)時(shí)需要先設(shè)定要分解的模態(tài)層數(shù)。論文將VMD方法與奇異值分解相結(jié)合，利用VMD方法較強(qiáng)的抗噪能力和對(duì)相近頻率信號(hào)的高分辨率特性，以及奇異值分解方法能有效去除虛假頻率的特點(diǎn)，首先將信號(hào)用VMD分解，然后將獲得的所有分量進(jìn)行奇異值分解，通過奇異值分解檢測(cè)虛假成分，選擇適當(dāng)?shù)腣MD分解層數(shù)，實(shí)現(xiàn)相近頻率成分的有效分