旋轉(zhuǎn)機(jī)械故障早期識(shí)別方法研究與應(yīng)用.pdf

1、隨著機(jī)械設(shè)備向大型化、復(fù)雜化和自動(dòng)化發(fā)展，機(jī)械設(shè)備的故障診斷技術(shù)顯得日益重要。旋轉(zhuǎn)機(jī)械是機(jī)械設(shè)備的重要組成部分，旋轉(zhuǎn)機(jī)械的故障識(shí)別也成為重中之重。而在故障發(fā)生的初期階段就識(shí)別故障，并采取相應(yīng)措施，是非常有必要的，不僅可以提高經(jīng)濟(jì)效益，還可以減少事故的發(fā)生。本文主要是對(duì)旋轉(zhuǎn)機(jī)械故障的早期識(shí)別方法進(jìn)行研究，基于小波分析和盲源分離研究了三種旋轉(zhuǎn)機(jī)械的早期故障識(shí)別方法，并在開發(fā)平臺(tái)LabVIEW上開發(fā)了旋轉(zhuǎn)機(jī)械在線監(jiān)測(cè)與故障診斷系統(tǒng)。
　

2、　本文首先研究了一種基于連續(xù)小波變換的早期故障識(shí)別方法，根據(jù)小波熵選擇最優(yōu)尺度，然后對(duì)該尺度進(jìn)行小波重構(gòu)，并對(duì)重構(gòu)信號(hào)進(jìn)行包絡(luò)譜分析，從而識(shí)別故障。本文利用仿真信號(hào)和弱故障軸承的實(shí)測(cè)信號(hào)進(jìn)行驗(yàn)證分析，都能準(zhǔn)確、有效地識(shí)別故障。
　　由于基于連續(xù)小波變換的小波重構(gòu)算法只是對(duì)信號(hào)的低頻部分進(jìn)行分解，而對(duì)高頻部分沒有分解，于是又研究了基于小波包分解的頻帶優(yōu)化方法來識(shí)別旋轉(zhuǎn)機(jī)械早期故障，其中小波包分解的子頻帶是同時(shí)對(duì)低頻和高頻部分進(jìn)行分解

3、。首先對(duì)故障信號(hào)和參考信號(hào)同時(shí)進(jìn)行小波包分解，然后分別計(jì)算對(duì)應(yīng)子頻帶的峭度差，根據(jù)仿真信號(hào)和實(shí)測(cè)信號(hào)的驗(yàn)證分析，峭度差最大的頻帶即為最優(yōu)頻帶，對(duì)最優(yōu)頻帶的子信號(hào)進(jìn)行包絡(luò)分析，可以很好的識(shí)別旋轉(zhuǎn)機(jī)械的早期故障。
　　針對(duì)多振動(dòng)源而采集通道有限的振動(dòng)信號(hào)分析，本文基于時(shí)頻分析研究了單通道信號(hào)的盲源分離方法。首先對(duì)振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?，并根?jù)分解得到的內(nèi)蘊(yùn)模式分量估計(jì)源信號(hào)個(gè)數(shù)并選擇最優(yōu)的觀察信號(hào)，將單通道信號(hào)與最優(yōu)觀察信號(hào)組成新的

4、多通道信號(hào)進(jìn)行基于時(shí)頻分析的盲源分離。本文具體地闡述了基于時(shí)頻分析的盲源分離算法，并對(duì)仿真信號(hào)和齒輪箱故障信號(hào)進(jìn)行驗(yàn)證分析，并通過與傳統(tǒng)的基于獨(dú)立分量分析的盲源分離算法進(jìn)行對(duì)比，發(fā)現(xiàn)基于時(shí)頻分析的盲源分離算法對(duì)混合信號(hào)具有更好的分離效果。
　　基于LabVIEW平臺(tái)開發(fā)了旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)與故障識(shí)別系統(tǒng)。通過LabVIEW二次開發(fā)AVANT MI-7016數(shù)據(jù)采集儀可以實(shí)現(xiàn)8個(gè)通道的數(shù)據(jù)采集，并進(jìn)行在線監(jiān)測(cè)顯示振動(dòng)信號(hào)的棒圖、時(shí)域