旋轉(zhuǎn)機(jī)械非平穩(wěn)信號微弱特征提取方法研究.pdf

1、基于振動信號處理的特征提取方法是旋轉(zhuǎn)機(jī)械故障特征提取最常用方法。由于旋轉(zhuǎn)機(jī)械在運行中受到多種因素的影響,其振動信號往往是非平穩(wěn)信號,另外,現(xiàn)場采集的信號經(jīng)常受到各種噪聲干擾的影響,有用信號往往被淹沒在強(qiáng)噪聲背景中,因此,非平穩(wěn)信號的微弱故障特征提取是當(dāng)前的一個研究熱點。本文基于小波變換、HHT、重分配尺度譜和魏格納時頻譜等時頻分析方法,以及奇異值分解(SVD)、形態(tài)濾波等降噪技術(shù),提出了三類旋轉(zhuǎn)機(jī)械非平穩(wěn)信號微弱故障特征提取方法,并將這

2、些微弱特征提取方法與支持向量機(jī)(SVM)相結(jié)合應(yīng)用于旋轉(zhuǎn)機(jī)械的故障診斷中。本文的主要研究內(nèi)容如下:
　　 在波形特征提取方面,研究了基于小波變換的微弱特征提取方法。利用小波變換的濾波特性和Morlet小波良好的時域和頻域特性,提出了一種基于參數(shù)優(yōu)化Morlet小波變換的微弱故障特征提取方法。利用最小Shannon熵方法優(yōu)化Morlet小波的帶寬參數(shù),實現(xiàn)其與沖擊特征成分的較優(yōu)匹配,再根據(jù)小波系數(shù)矩陣的奇異值曲線中主要反映突變信息

3、的過渡階段求得最佳變換尺度。進(jìn)一步的研究發(fā)現(xiàn)該方法依然存在著不足,為此對其進(jìn)行了改進(jìn),提出了一種基于尺度周期性指數(shù)譜(SPE)的自適應(yīng)Morlet小波微弱特征提取方法,利用修正的Shannon熵方法同時優(yōu)化Morlet小波的中心頻率與帶寬參數(shù),實現(xiàn)其與沖擊特征成分的最優(yōu)匹配,再根據(jù)得到的SPE譜求得最佳的小波變換尺度。試驗信號分析和實際工程應(yīng)用結(jié)果驗證了該方法的有效性和優(yōu)越性。
　　 在譜圖特征提取方面,對基于重分配譜的微弱特征

4、提取方法進(jìn)行了系統(tǒng)的研究。針對重分配小波尺度譜存在著時、頻分辨率不能同時達(dá)到最佳及當(dāng)振動信號中存在著能量較大的噪聲時會降低其時頻分布可讀性的缺陷,提出了一種重分配小波尺度譜的時頻分布優(yōu)化方法。首先優(yōu)化重分配尺度譜基函數(shù)的時間一帶寬積(TBP),克服其時、頻分辨率不能同時達(dá)到最佳的缺陷,再對重分配尺度譜進(jìn)行SVD降噪降低噪聲干擾影響,提高其時頻分布的可讀性。針對魏格納時頻譜存在的問題,提出了一種基于重分配魏格納時頻譜和SVD的微弱特征提取

5、方法。利用重分配算法對魏格納時頻譜進(jìn)行重分配,提高魏格納時頻譜的時頻聚集性,再對重分配時頻譜進(jìn)行SVD降噪,提高其譜圖的可讀性。此外,針對基于小波尺度譜的模極大值法提取小波脊線存在著受噪聲干擾影響大、高頻部分頻率分辨率低等不足,提出了一種基于最優(yōu)重分配小波尺度譜的小波脊線提取方法,并將其應(yīng)用于齒輪箱的故障分析中。
　　 在瞬時特征提取方面,研究了基于形態(tài)奇異值分解和HHT的微弱特征提取方法。針對現(xiàn)場采集信號中的隨機(jī)噪聲和局部強(qiáng)干

6、擾影響EMD分解質(zhì)量的問題,提出一種形態(tài)奇異值分解濾波消噪方法,并將其與HHT相結(jié)合形成一種新的微弱故障特征提取方法。該方法首先對原始振動信號進(jìn)行相空間重構(gòu)和奇異值分解,根據(jù)奇異值分布曲線確定降噪階次進(jìn)行SVD降噪,再形態(tài)濾波,最后把消噪后的信號進(jìn)行EMD分解,利用本征模模態(tài)分量(IMF)提取故障特征信息。對仿真信號和試驗信號的應(yīng)用分析結(jié)果表明,該方法能有效提取微弱故障特征,還可以減少EMD的分解層數(shù)和邊界效應(yīng),提高EMD分解的時效性和

7、精確度。
　　 在故障診斷方面,研究了基于微弱特征提取和支持向量機(jī)(SVM)的故障診斷方法。利用SVM出色的多類分類性能和小生境遺傳算法優(yōu)化參數(shù)的全局尋優(yōu)能力,分別結(jié)合自適應(yīng)Morlet小波變換和形態(tài)奇異值分解-EMD的微弱特征提取方法,實現(xiàn)了基于微弱特征提取和遺傳優(yōu)化SVM的故障診斷方法,滾動軸承故障診斷實例驗證了其有效性和可行性。
　　 在軟件開發(fā)方面,研發(fā)了基于本文所提方法的非平穩(wěn)信號微弱特征提取模塊。采用面向?qū)ο?/p>