微弱機械沖擊信號的檢測與提取方法研究.pdf

1、機械設備在運轉過程中會產(chǎn)生振動與沖擊，這些振動信號中包含大量的設備狀態(tài)信息，振動信號的分析與處理對于機械設備狀態(tài)監(jiān)測與故障診斷具有重要意義。然而在實際應用中，由于現(xiàn)場環(huán)境復雜，所測得的振動信號往往含有大量噪聲，使得蘊含設備狀態(tài)信息的特征信號比較微弱甚至被噪聲淹沒，極大地影響了對機械設備的監(jiān)測與故障診斷。針對此問題，本文結合國家自然科學基金項目“微弱沖擊信號的識別和提取技術研究”(編號:51175466)開展了“微弱機械沖擊信號的檢測與提

2、取方法研究”的博士論文研究，對強背景噪聲下微弱沖擊信號的檢測與提取方法進行了系統(tǒng)研究，分別從微弱信號的檢測、多源故障信號分離、時域和頻域特征提取等方面提出了微弱沖擊信號的分析處理方法。論文的主要研究內(nèi)容如下:
　　針對微弱沖擊信號的檢測與提取問題，提出了一種基于自適應Morlet小波變換的微弱沖擊信號檢測方法。按照最小香農(nóng)熵準則按順序優(yōu)化母小波的中心頻率和帶寬參數(shù)，以參數(shù)優(yōu)化后的Morlet小波對含有強噪聲的沖擊信號進行小波變換，

3、獲得若干小波系數(shù)，隨后以峭度為指標篩選出包含沖擊成分的系數(shù)，最后將篩選出的系數(shù)通過逆小波變換重構沖擊信號，從而實現(xiàn)噪聲抑制與微弱信號的檢測與提取。仿真實驗結果表明該方法能夠有效去除噪聲，并且在低信噪比下仍然優(yōu)于其他方法。
　　針對多源混合故障信號的分離問題，提出了一種基于獨立成分分析(Independent Component Analysis，ICA)的故障多源信號分離方法。首先詳細闡述了盲源分離（Blind Source Se

4、paration，BSS）問題與獨立成分分析算法的原理。采用基于負熵的對稱（平行）正交化估計多個獨立成分的FastICA算法，對多路加速度傳感器采集到的振動信號進行盲源分離，隨后對得到的幾組獨立成分進行共振解調(diào)處理，最后通過頻譜分析確認包含故障特征的獨立成分，實現(xiàn)特定故障特征沖擊信號的分離。通過對仿真信號和軸承點蝕故障信號的分析和處理，驗證了該方法能夠從多測點多傳感器的混合信號中分離出故障信號。
　　針對微弱沖擊信號的故障源定位問

5、題，提出了一種基于希爾伯特黃變換(Hilbert-Huang Transform，HHT)和赤池信息準則(Akaike Information Criteria，AIC)的沖擊信號起振點確定方法。該方法首先利用經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)將信號分解為若干模態(tài)，隨后對各模態(tài)進行希爾伯特變換求得各模態(tài)的瞬時頻率，并搜尋其AIC方程的最小值，對應的采樣點即為沖擊信號的起振點。仿真實驗結果表明

6、該方法能夠準確得到?jīng)_擊信號的起振點，隨著背景噪聲的增強依然保持良好的準確性與穩(wěn)定性。
　　針對旋轉類機械故障周期性沖擊信號特征提取問題，提出了基于數(shù)學形態(tài)學濾波的沖擊信號頻率特征提取方法。該方法以形態(tài)學濾波后故障特征頻率對應幅值為指標，對結構元素的長度以及形態(tài)學濾波器的尺度兩個參數(shù)進行了二維尋優(yōu)，得到最優(yōu)的形態(tài)學濾波器，并以此對沖擊信號進行濾波處理，得到其中的周期性沖擊成分并提取頻率特征。通過對仿真沖擊信號和實際軸承點蝕故障信號的