基于振動(dòng)信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷方法研究.pdf

1、旋轉(zhuǎn)機(jī)械在工業(yè)生產(chǎn)中應(yīng)用廣泛，以汽輪機(jī)發(fā)電機(jī)組為典型代表的大型旋轉(zhuǎn)機(jī)械軸系跨度大、結(jié)構(gòu)復(fù)雜、工況多變，對(duì)其工作狀態(tài)進(jìn)行監(jiān)測(cè)和故障診斷有利于及時(shí)采取控制措施、避免重大或惡性事故發(fā)生;而中小型旋轉(zhuǎn)機(jī)械常以滾動(dòng)軸承作為支撐，探索軸承故障的有效診斷方法，對(duì)保障設(shè)備安全和生產(chǎn)順利進(jìn)行同樣具有重要意義。本文從振動(dòng)信號(hào)分析和處理的角度出發(fā)，針對(duì)轉(zhuǎn)子系統(tǒng)碰摩、油膜渦動(dòng)、油膜振蕩等典型故障診斷和滾動(dòng)軸承的故障診斷、故障模式識(shí)別等幾個(gè)問(wèn)題展開(kāi)了研究，主要內(nèi)

2、容如下:
　　對(duì)變分模態(tài)分解(VMD)的基礎(chǔ)理論和基本原理進(jìn)行了深入剖析，研究了VMD具有與小波包分解類(lèi)似的帶通濾波特性和良好的多分量信號(hào)分解能力，討論了分量個(gè)數(shù)、懲罰因子對(duì)VMD效果的影響，結(jié)合Teager能量算子解調(diào)速度快、分辨率高的優(yōu)點(diǎn)，提出了一種Teager-VMD時(shí)頻分析新方法，并以互信息準(zhǔn)則判斷各分量與原信號(hào)的相關(guān)性，用于指導(dǎo)分量個(gè)數(shù)的確定。轉(zhuǎn)子系統(tǒng)實(shí)驗(yàn)數(shù)據(jù)分析表明，該方法能清晰的表現(xiàn)非平穩(wěn)信號(hào)的時(shí)頻特征，實(shí)現(xiàn)了對(duì)輕微

3、碰摩與嚴(yán)重碰摩的準(zhǔn)確判斷，清楚的檢測(cè)出油膜渦動(dòng)發(fā)生發(fā)展的整個(gè)過(guò)程，并準(zhǔn)確的分析出油膜振蕩時(shí)的復(fù)雜頻率成分，對(duì)比分析表明該方法對(duì)轉(zhuǎn)子系統(tǒng)故障的監(jiān)測(cè)和分析能力明顯優(yōu)于HHT方法。研究結(jié)果表明轉(zhuǎn)子發(fā)生油膜振蕩時(shí)，不僅會(huì)有工頻和振蕩頻率，而且還有與二者相關(guān)的和差頻率成分出現(xiàn)，這對(duì)準(zhǔn)確判定油膜振蕩的發(fā)生有重要參考價(jià)值。VMD盡管采用變分的方式進(jìn)行分解，但仍存在一定的端點(diǎn)效應(yīng)，為滿(mǎn)足精準(zhǔn)分析的需求，采用波形匹配端點(diǎn)延拓的方式對(duì)其進(jìn)行了改進(jìn)，仿真和實(shí)

4、驗(yàn)數(shù)據(jù)分析表明，改進(jìn)后端點(diǎn)效應(yīng)得到明顯改善。
　　滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)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(zhǔn)確判斷，針對(duì)這一問(wèn)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(dòng)信號(hào)中的故障沖擊成分并降低噪聲的影響，將MED降噪后的信號(hào)進(jìn)行VMD分解，進(jìn)一步分離出故障沖擊成分，軸承微弱故障仿真信號(hào)和全壽命周期加速疲勞實(shí)驗(yàn)信號(hào)分析結(jié)果，驗(yàn)證了所述方法的效果。相比于MED，最

5、大相關(guān)峭度解卷積(MCKD)算法以相關(guān)峭度作為衡量標(biāo)準(zhǔn)，檢測(cè)和增強(qiáng)故障沖擊能力更強(qiáng)，并注重故障脈沖成分的連續(xù)性檢測(cè)，在闡述其原理的基礎(chǔ)上，提出了基于變步長(zhǎng)搜索法的自適應(yīng)MCKD滾動(dòng)軸承早期故障診斷方法，軸承全壽命周期振動(dòng)信號(hào)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(shè)備結(jié)構(gòu)、傳遞路徑等影響，傳感器采集的滾動(dòng)軸承故障振動(dòng)信號(hào)具有非線性、非平穩(wěn)特點(diǎn)，相空間重構(gòu)能夠挖掘非線性時(shí)間序列的深層次信息，結(jié)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(gòu)和SSA的軸承故障盲源分離方法;首先應(yīng)用相空間重構(gòu)將一維振動(dòng)信號(hào)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(hào)分離出來(lái)，并借助譜峭度法進(jìn)行帶通濾波，仿真信號(hào)和實(shí)驗(yàn)信號(hào)分析表明，該方法能有效提取出滾動(dòng)軸承的故障沖擊成分，實(shí)現(xiàn)了軸承故障的盲源分離。
　　針對(duì)旋轉(zhuǎn)機(jī)械中滾動(dòng)軸承的運(yùn)行狀態(tài)識(shí)別問(wèn)題，提出了一種基于VMD、改進(jìn)多尺度排列熵(IMPE)和概率神經(jīng)網(wǎng)絡(luò)(PNN)的軸承故