基于LMD和HSMM的旋轉(zhuǎn)機械故障診斷方法研究.pdf

1、隨著科學(xué)技術(shù)的不斷提高，旋轉(zhuǎn)機械工作強度不斷增大，為保證設(shè)備系統(tǒng)能夠安全、可靠、高效地運行，避免造成巨大的經(jīng)濟損失和重大事故的發(fā)生，以旋轉(zhuǎn)機械為研究對象，進行狀態(tài)監(jiān)測和故障診斷研究，具有非常重要而現(xiàn)實的意義。
　　針對傳統(tǒng)的時頻分析方法（如短時傅立葉變換、小波與小波包變換）存在時間和頻率的分辨率互相牽制、信號分解缺乏自適應(yīng)性的不足，和傳統(tǒng)的模式識別方法（如人工神經(jīng)網(wǎng)絡(luò)）局限于靜態(tài)模式識別上的問題，本文引入最新的時頻分析方法局部均值

2、分解(Local Mean Decomposition, LMD)和發(fā)展較快的動態(tài)模式識別方法隱半馬爾科夫模型(Hidden Semi-Markov Model，HSMM)。LMD能夠基于信號本身，自適應(yīng)地將一個多分量信號分解成一系列單分量的乘積函數(shù)(Product Function, PF)之和，每個乘積函數(shù)由一個純調(diào)頻函數(shù)和一個包絡(luò)函數(shù)相乘而得，將所有乘積函數(shù)的瞬時頻率和幅值相組合，便能夠完整地呈現(xiàn)出原始信號的時頻分布。HSMM基于

3、時間跨度上的動態(tài)信息進行建模分類，非常適用于分析一些信息量較大、非平穩(wěn)、特征重復(fù)再現(xiàn)性較差的信號，且具有訓(xùn)練樣本少、訓(xùn)練速度快、分類識別能力強的特點。因此，本文利用LMD和HSMM相結(jié)合的方法對旋轉(zhuǎn)機械進行狀態(tài)監(jiān)測與故障診斷。
　　首先，本文論述了旋轉(zhuǎn)機械故障診斷技術(shù)的發(fā)展概況，介紹了LMD方法相關(guān)概念、基本理論和算法，并將其與EMD(Empirical Mode Decomposition, EMD)方法進行對比，通過仿真分析驗

4、證了LMD處理非平穩(wěn)信號的優(yōu)越性。在此基礎(chǔ)上，提出了一種基于小波包降噪與LMD分解相結(jié)合的特征提取方法，先采用小波包降低噪聲的影響，再進行LMD分解，并對分解得到的PF分量進行相關(guān)性分析，選取有效PF分量進行時、頻域特征參數(shù)提取。通過仿真分析和對實際信號的處理，驗證了該方法的有效性。
　　然后，本文研究了基于HSMM的機械設(shè)備狀態(tài)監(jiān)測與故障診斷方法，并針對基本算法中存在的部分問題進行了改進。提出了基于LMD和HSMM相結(jié)合的旋轉(zhuǎn)機

5、械狀態(tài)監(jiān)測與故障診斷方法，并將其成功應(yīng)用于滾動軸承故障診斷中。實驗結(jié)果表明，HSMM模型訓(xùn)練速度快，識別精度高，利用LMD和HSMM相結(jié)合的方法能夠有效地識別出滾動軸承的運行狀態(tài)，且能夠保證故障診斷的實時性和準確性。
　　最后，本文進一步采用LMD和HSMM相結(jié)合的方法對機械密封端面膜厚狀態(tài)進行模式識別，識別效果較為理想，驗證了該方法應(yīng)用于旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷的有效性和適用性。為了驗證HSMM模型用于狀態(tài)監(jiān)測與故障診斷的優(yōu)勢