強(qiáng)噪聲背景下機(jī)械故障微弱信號(hào)特征提取方法研究.pdf

1、由于生產(chǎn)設(shè)備惡劣的現(xiàn)場(chǎng)環(huán)境、變化的工況和自身的非線性等特點(diǎn),使得所測(cè)得的振動(dòng)信號(hào)往往具有強(qiáng)噪聲背景、非線性和早期微弱故障信息的特征。這些特征嚴(yán)重影響了設(shè)備狀態(tài)信息的準(zhǔn)確獲取,因此,論文以強(qiáng)噪聲背景中微弱的故障特征為對(duì)象,研究機(jī)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(jī)共振技術(shù)展開(kāi)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(hào)的降噪和檢測(cè)中,但是,當(dāng)檢測(cè)強(qiáng)噪聲背景中的微弱故障信息時(shí),奇異值分解技

2、術(shù)表現(xiàn)欠佳。針對(duì)此問(wèn)題,論文設(shè)計(jì)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(guò)局部均值分解將非線性非平穩(wěn)的原始信號(hào)分解為若干個(gè)PF分量,由于強(qiáng)噪聲的影響,難以從PF分量準(zhǔn)確得到特征信息,對(duì)PF分量進(jìn)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(gè)數(shù),進(jìn)而得到奇異值分解降噪后的信號(hào),求該信號(hào)的包絡(luò)譜,由此進(jìn)行強(qiáng)噪聲背景下微弱特征信息的提取。仿真分析和滾動(dòng)軸承內(nèi)圈故障實(shí)例分析均較

3、好地驗(yàn)證了設(shè)計(jì)的改進(jìn)方法的有效性。
　　隨機(jī)共振對(duì)強(qiáng)噪聲背景下微弱特征信息提取是一種有效的方法。通過(guò)調(diào)節(jié)系統(tǒng)結(jié)構(gòu)參數(shù)和噪聲強(qiáng)度可以使隨機(jī)共振達(dá)到最優(yōu)。論文設(shè)計(jì)了基于奇異值分解調(diào)節(jié)噪聲強(qiáng)度的隨機(jī)共振方法。該方法首先利用奇異值分解對(duì)含噪信號(hào)降噪,當(dāng)降噪后的信號(hào)中噪聲強(qiáng)度和有用信息達(dá)到最佳匹配,輸入雙穩(wěn)隨機(jī)共振系統(tǒng)中,則輸出響應(yīng)可以達(dá)到最佳隨機(jī)共振。工程實(shí)際采集到的信號(hào)通常為大參數(shù)、多頻率含有直流分量的信號(hào),利用隨機(jī)共振方法進(jìn)行檢測(cè)時(shí),

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