基于自適應(yīng)最稀疏時(shí)頻分析的旋轉(zhuǎn)機(jī)械故障診斷方法.pdf

1、對旋轉(zhuǎn)機(jī)械進(jìn)行故障診斷，實(shí)際上就是有效地提取其故障特征信息，目前應(yīng)用較廣泛的是基于時(shí)頻分析的故障特征提取方法，如經(jīng)驗(yàn)?zāi)B(tài)分解方法(EmpiricalMode Decomposition，EMD)、局部均值分解(Local Mean Decomposition，LMD)等。然而這些方法仍存在一些難以解決的問題，因此，對新的時(shí)頻分析方法的研究依然是旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的熱點(diǎn)。受EMD方法和壓縮感知理論的啟發(fā)，THOMAS Y.HOU和Zuo

2、qiang SHI提出了自適應(yīng)最稀疏時(shí)頻分析(Adaptive andSparsest Time-Frequency Analysis，ASTFA)方法，并將其應(yīng)用到了氣象數(shù)據(jù)的處理中。該方法基于多尺度數(shù)據(jù)具有內(nèi)在的稀疏時(shí)頻分布的特點(diǎn)，以分解得到的分量個(gè)數(shù)最少為優(yōu)化目標(biāo)，在目標(biāo)優(yōu)化的過程中實(shí)現(xiàn)信號的分解。本文在國家自然科學(xué)基金項(xiàng)目(51375152)的資助下，將ASTFA方法引入到旋轉(zhuǎn)機(jī)械故障診斷中。
　　本文主要研究內(nèi)容如下:<

3、br>　　1.討論了目前應(yīng)用比較廣泛的幾種時(shí)頻分析方法，重點(diǎn)研究了ASTFA方法。通過仿真信號的對比分析，驗(yàn)證了ASTFA方法的有效性;將ASTFA方法引入到旋轉(zhuǎn)機(jī)械中的齒輪和滾動(dòng)軸承的故障診斷中，試驗(yàn)診斷結(jié)果證明了該方法在旋轉(zhuǎn)機(jī)械故障診斷中的實(shí)用性。
　　2.針對ASTFA方法中初值選取不準(zhǔn)確和模態(tài)混淆問題，提出了改進(jìn)的自適應(yīng)最稀疏時(shí)頻分析(Improved Adaptive and Sparsest Time-Frequenc

4、y Analysis,IASTFA)方法。該方法將粒子群算法應(yīng)用到ASTFA初值的自適應(yīng)最優(yōu)選取中;將頻率掩蔽信號添加到分解信號中，通過限制分解信號的帶寬來抑制其分解過程中的模態(tài)混淆。仿真和實(shí)驗(yàn)的結(jié)果驗(yàn)證了該方法的有效性。
　　3.針對旋轉(zhuǎn)機(jī)械的復(fù)合故障故障診斷問題，將IASTFA方法應(yīng)用到單通道盲源分離(Blind Source Separation，BSS)中，提出了基于IASTFA-BSS的旋轉(zhuǎn)機(jī)械復(fù)合故障診斷方法。將IAS

5、TFA方法引入到單通道信號的分解中，把盲源分離中的欠定問題轉(zhuǎn)化為正定問題，進(jìn)而實(shí)現(xiàn)信號的盲分離。仿真和試驗(yàn)的結(jié)果都驗(yàn)證了IASTFA-BSS方法在旋轉(zhuǎn)機(jī)械復(fù)合故障診斷中的實(shí)用性。
　　4.將IASTFA方法應(yīng)用到了滾動(dòng)軸承的特征提取中，并與基于分位數(shù)回歸的多變量預(yù)測模型的模式識別方法(Quantile Regression-Variable Predictive Modebased Class Discriminate，QRVPM