基于振動信號處理的旋轉機械故障診斷方法研究.pdf

1、旋轉機械在工業(yè)生產中應用廣泛，以汽輪機發(fā)電機組為典型代表的大型旋轉機械軸系跨度大、結構復雜、工況多變，對其工作狀態(tài)進行監(jiān)測和故障診斷有利于及時采取控制措施、避免重大或惡性事故發(fā)生;而中小型旋轉機械常以滾動軸承作為支撐，探索軸承故障的有效診斷方法，對保障設備安全和生產順利進行同樣具有重要意義。本文從振動信號分析和處理的角度出發(fā)，針對轉子系統(tǒng)碰摩、油膜渦動、油膜振蕩等典型故障診斷和滾動軸承的故障診斷、故障模式識別等幾個問題展開了研究，主要內

2、容如下:
　　對變分模態(tài)分解(VMD)的基礎理論和基本原理進行了深入剖析，研究了VMD具有與小波包分解類似的帶通濾波特性和良好的多分量信號分解能力，討論了分量個數、懲罰因子對VMD效果的影響，結合Teager能量算子解調速度快、分辨率高的優(yōu)點，提出了一種Teager-VMD時頻分析新方法，并以互信息準則判斷各分量與原信號的相關性，用于指導分量個數的確定。轉子系統(tǒng)實驗數據分析表明，該方法能清晰的表現非平穩(wěn)信號的時頻特征，實現了對輕微

3、碰摩與嚴重碰摩的準確判斷，清楚的檢測出油膜渦動發(fā)生發(fā)展的整個過程，并準確的分析出油膜振蕩時的復雜頻率成分，對比分析表明該方法對轉子系統(tǒng)故障的監(jiān)測和分析能力明顯優(yōu)于HHT方法。研究結果表明轉子發(fā)生油膜振蕩時，不僅會有工頻和振蕩頻率，而且還有與二者相關的和差頻率成分出現，這對準確判定油膜振蕩的發(fā)生有重要參考價值。VMD盡管采用變分的方式進行分解，但仍存在一定的端點效應，為滿足精準分析的需求，采用波形匹配端點延拓的方式對其進行了改進，仿真和實

4、驗數據分析表明，改進后端點效應得到明顯改善。
　　滾動軸承作為旋轉機械中重要而又容易磨損的元件，故障早期沖擊特征微弱，又受環(huán)境噪聲的影響通常難以準確判斷，針對這一問題，提出了基于最小熵解卷積(MED)和VMD的診斷方法，MED能夠突出振動信號中的故障沖擊成分并降低噪聲的影響，將MED降噪后的信號進行VMD分解，進一步分離出故障沖擊成分，軸承微弱故障仿真信號和全壽命周期加速疲勞實驗信號分析結果，驗證了所述方法的效果。相比于MED，最

5、大相關峭度解卷積(MCKD)算法以相關峭度作為衡量標準，檢測和增強故障沖擊能力更強，并注重故障脈沖成分的連續(xù)性檢測，在闡述其原理的基礎上，提出了基于變步長搜索法的自適應MCKD滾動軸承早期故障診斷方法，軸承全壽命周期振動信號分析表明，該方法能更早的診斷出軸承的早期故障狀態(tài)。
　　受設備結構、傳遞路徑等影響，傳感器采集的滾動軸承故障振動信號具有非線性、非平穩(wěn)特點，相空間重構能夠挖掘非線性時間序列的深層次信息，結合平穩(wěn)子空間分析(SS

6、A)這一盲源分離方法，提出了一種基于相空間重構和SSA的軸承故障盲源分離方法;首先應用相空間重構將一維振動信號升維到高維空間，再利用SSA方法將包含故障沖擊的非平穩(wěn)源信號分離出來，并借助譜峭度法進行帶通濾波，仿真信號和實驗信號分析表明，該方法能有效提取出滾動軸承的故障沖擊成分，實現了軸承故障的盲源分離。
　　針對旋轉機械中滾動軸承的運行狀態(tài)識別問題，提出了一種基于VMD、改進多尺度排列熵(IMPE)和概率神經網絡(PNN)的軸承故