基于振動信號的機(jī)械故障特征提取與診斷研究.pdf

1、機(jī)械故障診斷對于保障機(jī)械設(shè)備的安全、穩(wěn)定運(yùn)行具有重要意義?；谡駝有盘柗治龅臋C(jī)械故障診斷方法具有可在線、實(shí)時、非損傷、診斷便捷準(zhǔn)確等優(yōu)點(diǎn)，已經(jīng)得到廣泛應(yīng)用。本文以軸承、齒輪為主要研究對象，針對機(jī)械故障特征提取與診斷問題，采用基于振動信號分析的方法，研究了基于經(jīng)驗(yàn)?zāi)B(tài)分解的信號降噪方法；基于小波變換、小波包變換、Hilbert-Huang變換、獨(dú)立分量分析等現(xiàn)代信號處理方法的機(jī)械故障特征提取技術(shù)，研究了基于支持向量機(jī)、最近鄰分類器的機(jī)械故

2、障識別方法。本文提出一些機(jī)械故障特征提取與診斷的新方法，主要研究內(nèi)容包括以下幾個方面：
　　(1)針對目前基于經(jīng)驗(yàn)?zāi)B(tài)分解的振動信號降噪方法不能同時較好地處理高頻內(nèi)蘊(yùn)模態(tài)函數(shù)與低頻內(nèi)蘊(yùn)模態(tài)函數(shù)的噪聲問題，研究提出一種改進(jìn)的基于經(jīng)驗(yàn)?zāi)B(tài)分解的降噪方法，結(jié)合現(xiàn)有的兩種基于經(jīng)驗(yàn)?zāi)B(tài)分解降噪方法的優(yōu)點(diǎn)，分別對高頻內(nèi)蘊(yùn)模態(tài)函數(shù)與低頻內(nèi)蘊(yùn)模態(tài)函數(shù)采用不同的降噪方法。仿真和實(shí)驗(yàn)結(jié)果表明改進(jìn)的基于經(jīng)驗(yàn)?zāi)B(tài)分解的降噪方法具有更好地降噪性能。

3、　　(2)研究了基于相對小波能量與支持向量機(jī)的機(jī)械故障診斷方法。首先將機(jī)械故障振動信號進(jìn)行離散小波分解，然后利用分解后各頻帶的相對小波能量作為特征向量，最后使用支持向量機(jī)作為分類器對機(jī)械故障進(jìn)行分類。并以滾動軸承故障診斷為例驗(yàn)證了該方法能夠較好地識別滾動軸承的故障類型及故障程度，具有一定的工程應(yīng)用價值。
　　(3)針對機(jī)械設(shè)備在出現(xiàn)故障時其動力學(xué)特性往往呈現(xiàn)出復(fù)雜性和非線性，近年來提出的樣本熵是一種度量信號復(fù)雜性的方法，與分形維數(shù)

4、、Kolmogorov熵、李雅普諾夫指數(shù)等非線性動力學(xué)參數(shù)相比，可以較少地依賴于時間序列的長度?；诖颂岢鲆环N基于小波包變換與樣本熵的機(jī)械故障診斷方法，利用小波包變換對機(jī)械振動信號進(jìn)行分解，然后計算分解后得到的各個頻帶的樣本熵值作為特征向量，最后使用支持向量機(jī)進(jìn)行故障識別。通過結(jié)合小波包技術(shù)，可以得到機(jī)械故障在不同頻帶的特征信息，與直接利用原始信號樣本熵分析相比可以更全面、更準(zhǔn)確地刻畫機(jī)械故障特征。機(jī)械故障診斷實(shí)驗(yàn)表明該方法取得較好地識

5、別效果，是一種有效地機(jī)械故障診斷方法。
　　(4)針對機(jī)械故障振動信號的時頻特征提取問題，研究Hilbert譜時頻特征提取方法。Hilbert譜是對振動信號能量精確的時頻表示，反映了機(jī)械故障振動信號的時間和頻率的分布情況，為了提取機(jī)械故障信號Hilbert譜特征，引入奇異值分解方法，利用Hilbert譜奇異值作為機(jī)械故障特征參數(shù)。該方法利用了奇異值分解穩(wěn)定性好，可以較好地刻畫時頻矩陣特征的優(yōu)點(diǎn)。實(shí)測軸承振動信號故障診斷實(shí)驗(yàn)表明該方

6、法得到較好地識別效果，具有一定的應(yīng)用價值。
　　(5)研究了基于獨(dú)立分量分析的機(jī)械故障特征提取方法。提出一種基于獨(dú)立分量分析與相關(guān)系數(shù)的機(jī)械故障診斷方法，通過對不同工況的機(jī)械故障信號分別進(jìn)行獨(dú)立分量分析，獲得各種工況信號的獨(dú)立分量，這些獨(dú)立分量中蘊(yùn)含了該工況振動信號的一些內(nèi)在特征；接著利用樣本與不同工況信號提取的獨(dú)立分量的相關(guān)系數(shù)絕對值的和作為該樣本的特征；最后使用支持向量機(jī)作為分類器進(jìn)行識別。齒輪和軸承故障診斷實(shí)驗(yàn)表明該方法可以