基于LMD和HSMM的旋轉(zhuǎn)機(jī)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(jī)械工作強(qiáng)度不斷增大，為保證設(shè)備系統(tǒng)能夠安全、可靠、高效地運(yùn)行，避免造成巨大的經(jīng)濟(jì)損失和重大事故的發(fā)生，以旋轉(zhuǎn)機(jī)械為研究對(duì)象，進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷研究，具有非常重要而現(xiàn)實(shí)的意義。
　　針對(duì)傳統(tǒng)的時(shí)頻分析方法（如短時(shí)傅立葉變換、小波與小波包變換）存在時(shí)間和頻率的分辨率互相牽制、信號(hào)分解缺乏自適應(yīng)性的不足，和傳統(tǒng)的模式識(shí)別方法（如人工神經(jīng)網(wǎng)絡(luò)）局限于靜態(tài)模式識(shí)別上的問(wèn)題，本文引入最新的時(shí)頻分析方法局部均值

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

3、時(shí)間跨度上的動(dòng)態(tài)信息進(jìn)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(hào)，且具有訓(xùn)練樣本少、訓(xùn)練速度快、分類識(shí)別能力強(qiáng)的特點(diǎn)。因此，本文利用LMD和HSMM相結(jié)合的方法對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷。
　　首先，本文論述了旋轉(zhuǎn)機(jī)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(jìn)行對(duì)比，通過(guò)仿真分析驗(yàn)

4、證了LMD處理非平穩(wěn)信號(hào)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(jìn)行LMD分解，并對(duì)分解得到的PF分量進(jìn)行相關(guān)性分析，選取有效PF分量進(jìn)行時(shí)、頻域特征參數(shù)提取。通過(guò)仿真分析和對(duì)實(shí)際信號(hào)的處理，驗(yàn)證了該方法的有效性。
　　然后，本文研究了基于HSMM的機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷方法，并針對(duì)基本算法中存在的部分問(wèn)題進(jìn)行了改進(jìn)。提出了基于LMD和HSMM相結(jié)合的旋轉(zhuǎn)機(jī)

5、械狀態(tài)監(jiān)測(cè)與故障診斷方法，并將其成功應(yīng)用于滾動(dòng)軸承故障診斷中。實(shí)驗(yàn)結(jié)果表明，HSMM模型訓(xùn)練速度快，識(shí)別精度高，利用LMD和HSMM相結(jié)合的方法能夠有效地識(shí)別出滾動(dòng)軸承的運(yùn)行狀態(tài)，且能夠保證故障診斷的實(shí)時(shí)性和準(zhǔn)確性。
　　最后，本文進(jìn)一步采用LMD和HSMM相結(jié)合的方法對(duì)機(jī)械密封端面膜厚狀態(tài)進(jìn)行模式識(shí)別，識(shí)別效果較為理想，驗(yàn)證了該方法應(yīng)用于旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)與故障診斷的有效性和適用性。為了驗(yàn)證HSMM模型用于狀態(tài)監(jiān)測(cè)與故障診斷的優(yōu)勢(shì)