旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測方法及其應(yīng)用研究.pdf

1、研究旋轉(zhuǎn)機(jī)械的故障診斷與預(yù)測技術(shù)，對于保障機(jī)械設(shè)備運(yùn)行的安全性和穩(wěn)定性具有十分重要的意義。旋轉(zhuǎn)機(jī)械的振動(dòng)信號具有非穩(wěn)定性和非線性，同時(shí)，在強(qiáng)背景噪聲工作環(huán)境下，旋轉(zhuǎn)機(jī)械的微弱故障特征很容易被噪聲淹沒，此外，當(dāng)機(jī)械系統(tǒng)出現(xiàn)故障時(shí)，往往會(huì)產(chǎn)生位置不同的復(fù)合故障，故障之間相互耦合，從而給旋轉(zhuǎn)機(jī)械故障精確診斷帶來了挑戰(zhàn)，因此，強(qiáng)噪下微弱、復(fù)合故障診斷是當(dāng)今機(jī)械故障診斷領(lǐng)域的難點(diǎn)。論文將旋轉(zhuǎn)機(jī)械作為研究對象，研究形態(tài)學(xué)濾波、局域均值分解、多元經(jīng)驗(yàn)

2、模態(tài)分解和噪聲輔助多元經(jīng)驗(yàn)?zāi)B(tài)分解等時(shí)頻方法及其在旋轉(zhuǎn)機(jī)械的微弱、復(fù)合故障診斷中的應(yīng)用，為機(jī)械故障診斷、性能退化狀態(tài)識別和趨勢預(yù)測提供新的有效手段。主要內(nèi)容如下：
　　1、提出了一種基于LMD和形態(tài)濾波的軸承故障診斷方法。設(shè)計(jì)并搭建了鐵路貨車輪對滾動(dòng)軸承測試系統(tǒng)，并對軸承典型故障振動(dòng)信號進(jìn)行分析，仿真實(shí)驗(yàn)與軸承故障試驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。針對形態(tài)濾波器尺度選擇缺乏自適應(yīng)的問題，提出了基于遺傳算法的自適應(yīng)形態(tài)濾波方法，仿真和試

3、驗(yàn)的分析結(jié)果表明，自適應(yīng)形態(tài)學(xué)濾波器對于信號降噪處理和沖擊特征提取兩方面均有明顯的效果。
　　2、針對EMD和LMD等時(shí)頻分析方法無法處理旋轉(zhuǎn)機(jī)械多通道振動(dòng)信號的缺點(diǎn)和旋轉(zhuǎn)機(jī)械早期微弱故障、復(fù)合故障的特征提取問題，提出了基于改進(jìn)的多元經(jīng)驗(yàn)?zāi)B(tài)分解的旋轉(zhuǎn)機(jī)械早期故障診斷方法。該方法利用多元經(jīng)驗(yàn)?zāi)B(tài)分解將多通道振動(dòng)信號分解得到一系列多元IMF分量，將峭度準(zhǔn)則和互信息引入IMF的選取，進(jìn)一步消除混入的噪聲和偽分量的影響。仿真信號和旋轉(zhuǎn)機(jī)

4、械故障信號的分析結(jié)果表明，改進(jìn)的MEMD方法在多通道信號分解的精確性和魯棒性等方面具有明顯的優(yōu)越性和有效性，為旋轉(zhuǎn)機(jī)械微弱故障、復(fù)合故障診斷和多通道振動(dòng)信息融合分析提供了新的思路和手段。
　　3、NAMEMD是一種新的非線性信號自適應(yīng)時(shí)頻分解方法，該方法克服了MEMD和EEMD的模態(tài)混疊等問題，但是經(jīng)過研究發(fā)現(xiàn)，NAMEMD方法并不能完全抑制MEMD的模態(tài)混疊現(xiàn)象，得到的IMF仍存在模態(tài)混疊，需要后續(xù)處理。為了抑制NAMEMD方法

5、分解中的模態(tài)混疊現(xiàn)象，提出了改進(jìn)的NAMEMD方法。采用基于排列熵的隨機(jī)性檢測技術(shù)及時(shí)地檢測異常信號和噪聲信號，再對剩余信號進(jìn)行NAMEMD分解，通過仿真信號驗(yàn)證了所提出方法的有效性，在此基礎(chǔ)上，針對強(qiáng)噪下機(jī)械故障特征提取的問題，提出了基于改進(jìn)的NAMEMD形態(tài)學(xué)與Teager能量算子解調(diào)的旋轉(zhuǎn)機(jī)械故障診斷方法，并通過仿真信號和旋轉(zhuǎn)機(jī)械故障信號將所提出的方法與EEMD和NAMEMD進(jìn)行了對比，結(jié)果表明改進(jìn)的NAMEMD方法消除了EEMD

6、集成平均過程中因添加白噪聲的時(shí)頻特性差異帶來的模態(tài)混疊，分解結(jié)果相對于EEMD具有較準(zhǔn)確的IMF頻譜分布和更好的降噪效果，分解結(jié)果更為精確。所提方法在抑制模態(tài)混疊、增強(qiáng)降噪效果和提高分解精確性上要優(yōu)于EEMD和NAMEMD方法，結(jié)果驗(yàn)證了所提方法的有效性和優(yōu)越性。
　　4、在分析樣本熵和排列熵原理的基礎(chǔ)上，針對軸承振動(dòng)信號的非線性特征，提出了基于NAMEMD和排列熵的軸承故障智能診斷方法。首先對振動(dòng)信號進(jìn)行NAMEMD分解，然后對

7、前5個(gè)有意義的IMF分量進(jìn)行排列熵計(jì)算，并將其作為特征向量輸入訓(xùn)練好的SVM分類器，有效地實(shí)現(xiàn)軸承四種典型狀態(tài)類型的識別，準(zhǔn)確率高。
　　5、將NAMEMD自適應(yīng)分解與基于非線性動(dòng)力學(xué)參數(shù)的信號復(fù)雜性的排列熵理論相結(jié)合，提出了基于改進(jìn)NAMEMD和排列熵的旋轉(zhuǎn)機(jī)械退化狀態(tài)檢測方法，該方法首先將多分量的振動(dòng)信號自適應(yīng)地分解得到一系列信噪比較高的IMF分量，利用對突變信號敏感的排列熵算法分別對各IMF進(jìn)行排列熵分析，進(jìn)行軸承運(yùn)行狀態(tài)及

8、演化過程的準(zhǔn)確識別。建立了滾動(dòng)軸承振動(dòng)信號和退化狀態(tài)之間的聯(lián)系。通過仿真試驗(yàn)和滾動(dòng)軸承全壽命試驗(yàn)數(shù)據(jù)，證明了建立的狀態(tài)指標(biāo)能夠準(zhǔn)確、完整地反映滾動(dòng)軸承的退化狀態(tài)趨勢，實(shí)現(xiàn)了滾動(dòng)軸承全壽命周期狀態(tài)的有效識別。所提方法具有較強(qiáng)的魯棒性，為機(jī)械設(shè)備的性能退化狀態(tài)檢測提供了一種新的有效途徑。
　　6、針對滾動(dòng)軸承退化狀態(tài)趨勢預(yù)測問題，提出了基于NAMEMD、PE和SVR的滾動(dòng)軸承故障演化狀態(tài)趨勢預(yù)測模型，實(shí)現(xiàn)滾動(dòng)軸承性能退化趨勢的準(zhǔn)確預(yù)測