強噪聲背景下機械故障微弱信號特征提取方法研究.pdf_第1頁
已閱讀1頁,還剩87頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、由于生產(chǎn)設(shè)備惡劣的現(xiàn)場環(huán)境、變化的工況和自身的非線性等特點,使得所測得的振動信號往往具有強噪聲背景、非線性和早期微弱故障信息的特征。這些特征嚴重影響了設(shè)備狀態(tài)信息的準確獲取,因此,論文以強噪聲背景中微弱的故障特征為對象,研究機械設(shè)備微弱的早期故障特征信息提取方法。主要圍繞奇異值分解和隨機共振技術(shù)展開的。
  作為一種非線性降噪方法,奇異值分解技術(shù)已廣泛應(yīng)用到信號的降噪和檢測中,但是,當檢測強噪聲背景中的微弱故障信息時,奇異值分解技

2、術(shù)表現(xiàn)欠佳。針對此問題,論文設(shè)計了一種基于局部均值分解和奇異值分解差分譜理論的微弱信息提取方法,該方法首先通過局部均值分解將非線性非平穩(wěn)的原始信號分解為若干個PF分量,由于強噪聲的影響,難以從PF分量準確得到特征信息,對PF分量進行Hankel矩陣重構(gòu)和奇異值分解,根據(jù)奇異值分解差分譜理論確定有用奇異值的個數(shù),進而得到奇異值分解降噪后的信號,求該信號的包絡(luò)譜,由此進行強噪聲背景下微弱特征信息的提取。仿真分析和滾動軸承內(nèi)圈故障實例分析均較

3、好地驗證了設(shè)計的改進方法的有效性。
  隨機共振對強噪聲背景下微弱特征信息提取是一種有效的方法。通過調(diào)節(jié)系統(tǒng)結(jié)構(gòu)參數(shù)和噪聲強度可以使隨機共振達到最優(yōu)。論文設(shè)計了基于奇異值分解調(diào)節(jié)噪聲強度的隨機共振方法。該方法首先利用奇異值分解對含噪信號降噪,當降噪后的信號中噪聲強度和有用信息達到最佳匹配,輸入雙穩(wěn)隨機共振系統(tǒng)中,則輸出響應(yīng)可以達到最佳隨機共振。工程實際采集到的信號通常為大參數(shù)、多頻率含有直流分量的信號,利用隨機共振方法進行檢測時,

4、干擾頻率、直流分量等對有用信息的檢測影響較多。為了減少這些影響,論文設(shè)計了基于EEMD高通濾波和級聯(lián)雙穩(wěn)隨機共振結(jié)合的微弱信號檢測方法。該方法利用了EEMD的高通濾波特性,對分解得到的IMF去除掉小于特征頻率的IMF,對剩余的每個IMF分量進行Elliptic高通濾波后重新合成信號,再對合成信號進行級聯(lián)雙穩(wěn)隨機共振處理,得到原始信號的特征頻率。仿真和軸承內(nèi)圈故障信號分析表明,該方法可以減少直流分量和干擾頻率對有用信息提取的影響。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論