基于弱信號(hào)特征提取的早期診斷方法及其應(yīng)用研究.pdf

1、工業(yè)自動(dòng)化水平的提高對(duì)設(shè)備提出了早期故障診斷的需求。由于復(fù)雜的工作環(huán)境和現(xiàn)場噪聲的干擾，設(shè)備的故障信號(hào)容易被噪聲污染，如何有效的從低信噪比監(jiān)測信號(hào)中提取弱故障特征成為故障診斷領(lǐng)域迫切需要解決的問題。結(jié)合故障信號(hào)自身的特點(diǎn)，運(yùn)用弱信號(hào)特征提取方法和早期故障診斷理論解決機(jī)械故障診斷中信號(hào)降噪和弱特征加強(qiáng)等問題以及進(jìn)行設(shè)備的早期故障診斷是當(dāng)前機(jī)械故障診斷領(lǐng)域迫切需要研究的重要課題之一。本文研究了信號(hào)的降噪方法、設(shè)備故障的弱特征提取、早期故障診

2、斷理論及其在軸承故障診斷中的應(yīng)用。
　?。?）采用小波分析的多分辨率算法，信號(hào)被分解為不同尺度上的低頻分量和高頻分量，信號(hào)中的微弱特征隨著尺度因子的遞進(jìn)變化逐漸被放大。在每個(gè)分解尺度上，將變換系數(shù)與通過閾值規(guī)則設(shè)置的門限因子進(jìn)行比較處理，實(shí)現(xiàn)了信號(hào)的降噪處理，提高了信噪比和加強(qiáng)了信號(hào)中弱特征。
　?。?）基于信號(hào)的局部特征分析，經(jīng)驗(yàn)?zāi)B(tài)分解采用包絡(luò)分析理論將故障信號(hào)分解為頻率從高到低變化的固有模態(tài)分量。針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解過程的

3、邊界效應(yīng)問題和傳統(tǒng)延拓方法的缺陷，本文采用了基于奇異值分解和支持向量回歸機(jī)的端點(diǎn)預(yù)測延拓方法。奇異譜分析方法能夠有效地檢測信號(hào)中的周期特征，為確定支持向量回歸機(jī)延拓點(diǎn)的數(shù)目提供了一種可行的方法。通過閾值掃描法剔除了分解產(chǎn)生的“偽”分量，分析表明該方法能夠有效地抑制邊界效應(yīng)和提取信號(hào)中的弱特征分量。
　　（3）針對(duì)設(shè)備早期故障特征不明顯、可分性差的特點(diǎn)，采用支持向量機(jī)建立最優(yōu)分類決策模型。采用高斯核函數(shù)增加樣本的可分性，實(shí)現(xiàn)了故障特