數(shù)學(xué)形態(tài)學(xué)在機(jī)械故障診斷中的應(yīng)用研究.pdf

1、機(jī)械故障診斷的關(guān)鍵是如何從故障信號(hào)中提取故障特征，信號(hào)分析是故障特征提取最常用的方法。機(jī)械系統(tǒng)發(fā)生故障時(shí)，振動(dòng)信號(hào)往往具有非線性非平穩(wěn)特征。因此如何結(jié)合故障信號(hào)特點(diǎn)并選擇合適的方法，對(duì)非線性非平穩(wěn)故障信號(hào)進(jìn)行分析以提取故障特征是機(jī)械故障診斷領(lǐng)域需要重點(diǎn)研究的課題。傳統(tǒng)非線性非平穩(wěn)信號(hào)分析方法如短時(shí)傅里葉變換、小波變換、希爾伯特黃變換等都各自存在一定的局限性，因此迫切需要新的理論與信號(hào)分析方法以提高機(jī)械故障診斷的效率與技術(shù)水平。數(shù)學(xué)形態(tài)學(xué)

2、是近年來發(fā)展起來的一種非線性信號(hào)分析方法，已經(jīng)逐漸開始應(yīng)用到機(jī)械故障診斷中并取得了較好的效果。本文以轉(zhuǎn)子系統(tǒng)、齒輪和滾動(dòng)軸承為研究對(duì)象，對(duì)基于數(shù)學(xué)形態(tài)學(xué)的機(jī)械故障診斷方法進(jìn)行了深入的研究，主要工作和研究成果如下：
　　 (1)介紹了轉(zhuǎn)子系統(tǒng)、齒輪和滾動(dòng)軸承這三種常見機(jī)械零件的振動(dòng)故障機(jī)理，并對(duì)故障信號(hào)特征進(jìn)行了分析，為后續(xù)章節(jié)的分析奠定基礎(chǔ)。
　　 (2)針對(duì)傳統(tǒng)形態(tài)濾波結(jié)構(gòu)元素選取隨機(jī)的問題，首先提出一種自適應(yīng)多尺度復(fù)

3、合形態(tài)濾波降噪方法，該方法能夠根據(jù)信號(hào)局部特征和噪聲特點(diǎn)自適應(yīng)的選擇結(jié)構(gòu)元素類型和尺寸大小，然后采用該方法對(duì)轉(zhuǎn)子振動(dòng)信號(hào)進(jìn)行濾波，并通過關(guān)聯(lián)維數(shù)對(duì)轉(zhuǎn)子故障進(jìn)行分類，最后通過仿真與實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了方法的有效性。
　　 (3)針對(duì)傳統(tǒng)形態(tài)學(xué)邊緣檢測(cè)邊緣模糊的問題，首先提出一種基于多結(jié)構(gòu)元素多尺度的形態(tài)學(xué)譜圖邊緣檢測(cè)方法，該方法采用四個(gè)不同方向的多尺度結(jié)構(gòu)元素提取齒輪故障時(shí)頻圖邊緣特征，并通過與傳統(tǒng)邊緣檢測(cè)效果比較以驗(yàn)證其有效性。然后計(jì)

4、算邊緣特征的灰度共生矩陣以提取特征量，最后通過LSSVM方法對(duì)齒輪故障進(jìn)行識(shí)別。實(shí)例證明，該方法可有效的對(duì)故障進(jìn)行分類。
　　 (4)針對(duì)傳統(tǒng)提升形態(tài)小波提升算子固定不變的局限，首先提出了一種自適應(yīng)提升形態(tài)小波降噪的方法，該方法能夠根據(jù)信號(hào)局部特征自適應(yīng)選擇提升算子，然后采用該方法提取滾動(dòng)軸承故障特征，并在定義故障特征能量特征向量的基礎(chǔ)上，采用灰色關(guān)聯(lián)度方法對(duì)故障進(jìn)行分類。實(shí)例表明該方法能夠準(zhǔn)確區(qū)分發(fā)生在不同部位的故障，但卻難以

5、對(duì)不同嚴(yán)重程度的故障進(jìn)行有效分類。
　　 (5)針對(duì)傳統(tǒng)形態(tài)小波在分解過程中由于抽樣而造成的信號(hào)逐層遞減問題，首先在形態(tài)非抽樣小波框架的基礎(chǔ)上提出一種基于差值形態(tài)濾波的形態(tài)非抽樣小波構(gòu)造方法，并在定義形態(tài)非抽樣小波能量特征向量與能量熵的基礎(chǔ)上，提出了基于D-S證據(jù)理論的形態(tài)非抽樣小波和基于過程的形態(tài)非抽樣小波能量熵信息融合故障診斷方法．實(shí)測(cè)滾動(dòng)軸承故障數(shù)據(jù)表明，以上兩種方法不僅能夠識(shí)別發(fā)生在不同部位的故障，還能夠準(zhǔn)確區(qū)分不同嚴(yán)重