旋轉(zhuǎn)機(jī)械傳動(dòng)件微弱故障融合診斷方法研究.pdf

1、隨著現(xiàn)代化工業(yè)技術(shù)的不斷發(fā)展，旋轉(zhuǎn)機(jī)械裝備在先進(jìn)制造、航空航天、船舶海洋、軌道交通、風(fēng)力發(fā)電以及核力發(fā)電等重要工程領(lǐng)域得到廣泛的應(yīng)用。軸承、齒輪等零部件作為旋轉(zhuǎn)機(jī)械動(dòng)力傳遞與運(yùn)動(dòng)變換過程中不可或缺的基礎(chǔ)傳動(dòng)件，一旦發(fā)生故障，整個(gè)系統(tǒng)就會(huì)癱瘓，甚至導(dǎo)致災(zāi)難性事故的發(fā)生。由于旋轉(zhuǎn)機(jī)械傳動(dòng)件的運(yùn)行環(huán)境惡劣、工況條件多變以及自身結(jié)構(gòu)龐雜，其運(yùn)行狀態(tài)信號(hào)往往呈現(xiàn)出微弱性、非線性、復(fù)雜性、多樣性、耦合性等特點(diǎn)，并且淹沒在強(qiáng)大的背景噪聲和干擾信號(hào)中，

2、導(dǎo)致其故障特征極其微弱，難以提取。因此，開展旋轉(zhuǎn)機(jī)械傳動(dòng)件微弱故障診斷對(duì)于避免重大災(zāi)難性事故發(fā)生、杜絕人員傷亡、提高企業(yè)經(jīng)濟(jì)效益具有十分重要的意義。
　　本文針對(duì)旋轉(zhuǎn)機(jī)械迫切需要解決的復(fù)雜環(huán)境下微弱故障診斷的可靠性、準(zhǔn)確性等關(guān)鍵科技難題，從基于振動(dòng)信號(hào)和基于電流和轉(zhuǎn)矩信號(hào)兩方面開展了關(guān)于旋轉(zhuǎn)機(jī)械傳動(dòng)件微弱故障診斷的研究。在傳統(tǒng)的基于振動(dòng)信號(hào)的微弱故障診斷方面，主要從信號(hào)增強(qiáng)、特征提取、故障識(shí)別三個(gè)方面展開研究，提出了強(qiáng)噪聲背景下非

3、線性微弱故障的級(jí)聯(lián)增強(qiáng)方法，深入研究了基于時(shí)頻圖像紋理特征的微弱故障特征提取方法，提出了復(fù)雜非線性耦合條件下故障特征信息深度挖掘技術(shù)；在基于非振動(dòng)信號(hào)的微弱故障診斷方面，采用電機(jī)驅(qū)動(dòng)系統(tǒng)的電流和轉(zhuǎn)矩信號(hào)表征旋轉(zhuǎn)機(jī)械的運(yùn)行狀態(tài)，通過融合多源信號(hào)多決策模型實(shí)現(xiàn)了特殊與極端環(huán)境下旋轉(zhuǎn)機(jī)械傳動(dòng)件微弱故障的準(zhǔn)確診斷，具體研究內(nèi)容如下：
　?。?）針對(duì)強(qiáng)背景噪聲環(huán)境下旋轉(zhuǎn)機(jī)械故障信號(hào)微弱、故障特征難以提取的問題，提出了一種基于最小熵解卷積和能

4、量算子的故障信號(hào)瞬態(tài)沖擊特征級(jí)聯(lián)增強(qiáng)方法。首先根據(jù)旋轉(zhuǎn)機(jī)械故障信號(hào)表現(xiàn)為沖擊波形的特點(diǎn)，利用最小熵解卷積對(duì)信號(hào)進(jìn)行自適應(yīng)降噪，以最大峭度值為目標(biāo)函數(shù)，在實(shí)現(xiàn)降噪的同時(shí)增強(qiáng)信號(hào)中的瞬態(tài)沖擊成分，實(shí)現(xiàn)故障特征的一級(jí)增強(qiáng)；再結(jié)合能量算子算法適合檢測信號(hào)瞬時(shí)變化，能有效提取故障信號(hào)中沖擊特征和調(diào)制成分的特點(diǎn)，獲取能量信號(hào)實(shí)現(xiàn)故障特征的二級(jí)增強(qiáng)，通過計(jì)算其頻譜可以有效檢測出被噪聲淹沒的故障特征成分。最后，利用滾動(dòng)軸承復(fù)合故障數(shù)據(jù)驗(yàn)證了所提方法的有

5、效性。
　?。?）針對(duì)強(qiáng)背景噪聲環(huán)境下旋轉(zhuǎn)機(jī)械微弱故障信號(hào)非平穩(wěn)、非線性特征提取困難的問題，提出了通過構(gòu)建信號(hào)時(shí)頻圖像紋理特征表征旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)的方法。采用具有良好時(shí)頻聚集性，強(qiáng)自適應(yīng)性和抗噪性的自適應(yīng)最優(yōu)核時(shí)頻分析方法處理低信噪比的故障信號(hào)，可以自動(dòng)調(diào)整核函數(shù)追蹤信號(hào)的微小變化，降低背景噪聲的干擾，有效的抑制交叉干擾項(xiàng)并保持較高的時(shí)頻分辨率，通過仿真實(shí)驗(yàn)對(duì)比了自適應(yīng)最優(yōu)核、S變換以及魏格納維爾分布在不同信噪比條件下的抗噪性能表

6、現(xiàn)。獲得表征信號(hào)能量分布的時(shí)頻分布圖像后，利用統(tǒng)一局部二值模式可以有效約簡由隨機(jī)噪聲產(chǎn)生的非統(tǒng)一局部二值模式特征的優(yōu)勢(shì)，提取統(tǒng)一局部二值模式的直方圖表征旋轉(zhuǎn)機(jī)械故障信息。通過滾動(dòng)軸承多故障狀態(tài)的對(duì)比實(shí)驗(yàn)研究了所提出的方法在不同運(yùn)行工況不同信噪比條件下的分類準(zhǔn)確性、分類穩(wěn)定性以及計(jì)算復(fù)雜性等方面的性能表現(xiàn)。
　?。?）針對(duì)旋轉(zhuǎn)機(jī)械海量運(yùn)行狀態(tài)數(shù)據(jù)具有復(fù)雜性、多樣性、耦合性等特點(diǎn)，傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)難以準(zhǔn)確分類的問題，提出了基于優(yōu)化深度

7、置信網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷方法。提取時(shí)域統(tǒng)計(jì)特征、包絡(luò)譜特征、瞬時(shí)頻率譜特征和高級(jí)統(tǒng)計(jì)特征組成原始高維多域特征向量表征旋轉(zhuǎn)機(jī)械運(yùn)行狀態(tài)。利用最大相關(guān)和最小冗余方法剔除錯(cuò)誤和冗余特征，通過線性判別分析實(shí)現(xiàn)特征的空間聚類，結(jié)合特征選擇和特征變換的優(yōu)點(diǎn)，獲得了更緊湊和敏感的低維特征子集。利用深度置信網(wǎng)絡(luò)的深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)故障特征與故障類別之間的復(fù)雜映射關(guān)系的建模，與傳統(tǒng)分類模型相比，深度置信網(wǎng)絡(luò)可以對(duì)數(shù)據(jù)實(shí)現(xiàn)更復(fù)雜的函數(shù)逼近，具有更強(qiáng)

8、的挖掘數(shù)據(jù)本質(zhì)特征的能力，并通過離散粒子群算法進(jìn)行隱含層數(shù)的優(yōu)化選擇，提高了旋轉(zhuǎn)機(jī)械故障診斷的識(shí)別率以及穩(wěn)定性。
　　（4）針對(duì)特殊環(huán)境與極端工況條件下，無法安裝額外傳感器以及單一源信息無法全面表征設(shè)備運(yùn)行狀態(tài)的問題，提出了基于電機(jī)驅(qū)動(dòng)系統(tǒng)的多源信號(hào)多決策模型融合的故障診斷方法。本文采用電機(jī)驅(qū)動(dòng)系統(tǒng)的驅(qū)動(dòng)器作為傳感器來獲取驅(qū)動(dòng)電機(jī)運(yùn)行過程中的電流信號(hào)和轉(zhuǎn)矩信號(hào)來描述傳動(dòng)件的整體運(yùn)行狀態(tài)。研究了傳動(dòng)部件故障對(duì)驅(qū)動(dòng)電機(jī)電流和轉(zhuǎn)矩的影響