基于經(jīng)驗模態(tài)分解的轉(zhuǎn)子故障信號熵特征提取研究.pdf

1、隨著傳感器技術、測試技術及信號分析的發(fā)展，故障診斷技術有了較大提高，其主要研究內(nèi)容包括四個方面：信號采集、信號特征提取、故障診斷、信息融合。其中，信號特征提取是指故障診斷過程中獲取與系統(tǒng)狀態(tài)相關性較大的敏感特征的特征因子提取技術。特征提取的正確與否將直接影響故障診斷結果的準確性。針對傳統(tǒng)信號分析方法難以準確描述轉(zhuǎn)子振動信號非平穩(wěn)特性以及信號特征難以定量評價的問題，本研究提出一種經(jīng)驗模態(tài)分解和信息熵相結合的方法，對轉(zhuǎn)子故障振動信號特征提取

2、和定量評價方法進行研究。
　　 針對轉(zhuǎn)子實驗臺采集到的數(shù)據(jù)，開展的主要內(nèi)容及研究成果如下：
　　 1)以軸承-轉(zhuǎn)子系統(tǒng)模型為基礎，研究旋轉(zhuǎn)機械常見的故障類型及機理。針對轉(zhuǎn)子故障信號的特點，設計了中值濾波和小波消噪結合的故障信號預處理濾波器，為特征提取提供原始數(shù)據(jù)。重點研究了本文的信號處理方法-經(jīng)驗模態(tài)分解法(EMD)，分析該方法的實質(zhì)及特點。針對EMD分解過程中存在的迭代次數(shù)難以確定及端點效應問題，提出了“能量算法”和“

3、相似信號平移算法”相結合的算法。通過對仿真實驗信號的分析表明，該算法能夠?qū)σ陨蠁栴}準確、有效地解決。
　　 2)分析信息熵在故障診斷中的研究現(xiàn)狀，對時域奇異譜熵、頻域功率譜熵、時-頻域小波能譜熵和小波空間狀態(tài)譜熵進行了比較系統(tǒng)的研究和分析，并基于LabVIEW編寫信息熵算法程序。
　　 3)提出了一種基于經(jīng)驗模態(tài)分解法的轉(zhuǎn)子故障信號熵特征提取方法。提出“能量法”與“相關系數(shù)法”相結合的算法選取出包含主要故障信息的分量。實

4、驗表明，該方法能準確地提取出后續(xù)研究所需的特征數(shù)據(jù)。再計算出包含主要故障的分量的四種信息熵值，即時域奇異譜熵、頻域功率譜熵、時-頻域小波能譜熵和小波空間狀態(tài)譜熵。實驗信號的分析結果表明，該方法能夠較好的實現(xiàn)對轉(zhuǎn)子系統(tǒng)故障信號的量化特征提取，所提取出的特征集合具有能夠使典型故障特征量之間存在顯著差異的性能。
　　 4)基于信息融合的思想，計算EMD分解后所選取出主要故障分量的奇異譜熵、功率譜熵及小波能譜熵，提出建立故障信號信息熵狀