風(fēng)力齒輪箱軸承故障的AE信號特征提取與診斷方法研究.pdf

1、由于能源危機和環(huán)境污染問題日益嚴重，風(fēng)能作為無污染可再生能源已受到世界各國的高度重視。隨著風(fēng)電裝機容量的不斷增加，齒輪箱故障發(fā)生率也不斷升高，嚴重影響了風(fēng)電的利用率。滾動軸承是風(fēng)力齒輪箱中故障率較高的部件，軸承故障嚴重時會導(dǎo)致重大的事故。由于滾動軸承在故障形成初期及發(fā)展階段都會產(chǎn)生聲發(fā)射信號，所以采用聲發(fā)射技術(shù)對其進行早期故障診斷，對避免重大事故的發(fā)生和降低運行維護成本都具有重要的意義。
　　本論文研究目的是探索風(fēng)力齒輪箱軸承聲發(fā)

2、射信號特征提取和故障診斷的新方法，以解決目前傳統(tǒng)方法存在的抗噪聲干擾能力差、參數(shù)選擇復(fù)雜和模糊樣本難識別等問題，以期提高特征提取準確性和故障診斷的正確率。
　　本論文主要研究內(nèi)容如下：
　　首先，針對風(fēng)力齒輪箱軸承聲發(fā)射信號在采集時，單通道中存在著多故障源信號復(fù)合問題，提出了一種基于集成經(jīng)驗?zāi)B(tài)分解和改進的快速獨立分量分析算法的單通道盲源分離方法。該方法將一維的單通道復(fù)合故障聲發(fā)射信號通過集成經(jīng)驗?zāi)B(tài)分解算法分解成多維的本征

3、模態(tài)函數(shù)分量，然后根據(jù)估計的源信號數(shù)目建立相同數(shù)目的輸入信號，最后輸入信號通過改進的快速獨立分量分析算法進行分離。該方法解決了單通道信號盲源分離的欠定問題，克服了原快速獨立分量分析算法對初值敏感的不足，對復(fù)合故障(損傷和斷裂)聲發(fā)射信號進行了有效的分離。
　　其次，針對風(fēng)力齒輪箱軸承聲發(fā)射信號具有非平穩(wěn)性和不確定性的特點，提出了一種基于完整集成經(jīng)驗?zāi)B(tài)分解和云模型特征熵的特征提取方法。該方法用完整集成經(jīng)驗?zāi)B(tài)分解算法將信號分解成多

4、維的本征模態(tài)函數(shù)分量，由相關(guān)系數(shù)法選取出的敏感本征模態(tài)函數(shù)分量重構(gòu)信號，再利用逆向云發(fā)生器計算重構(gòu)信號的云模型特征熵作為信號的特征參數(shù)。通過實驗測試與分析，該方法不僅有效的提取了聲發(fā)射信號的特征，還克服了傳統(tǒng)熵方法存在的參數(shù)選擇復(fù)雜和閾值取值敏感等缺點。
　　再次，為解決在風(fēng)力齒輪箱軸承聲發(fā)射信號進行特征提取時存在的強噪聲干擾問題，提出了一種基于改進的集成經(jīng)驗?zāi)B(tài)分解算法和多尺度排列熵偏均值的特征提取方法。該方法首先通過云相似度法

5、選取敏感本征模態(tài)函數(shù)分量，然后由敏感本征模態(tài)函數(shù)分量重構(gòu)信號，最后計算重構(gòu)信號的多尺度排列熵偏均值作為信號的特征參數(shù)。該方法克服了傳統(tǒng)方法在選取敏感本征模態(tài)函數(shù)分量時存在的誤判缺點，降低了噪聲干擾，從而提高了特征提取的準確性。
　　最后，為解決具有不確定因素的樣本影響風(fēng)力齒輪箱軸承故障診斷正確率的問題，提出了一種基于多維云模型確定度的模糊支持向量機故障診斷方法。該方法采用多維云模型確定度作為模糊支持向量機算法的隸屬度，克服了傳統(tǒng)模