论文部分内容阅读
现代机械系统结构日趋复杂,各个部件之间也日趋紧密。任何一个结构部件的损坏都有可能影响其他部件的运转,乃至导致整个系统的失效。齿轮和滚动轴承是旋转机械的常用部件和易损部件。开发有效的齿轮和轴承的状态监测和故障诊断方法,特别早期故障特征的提取方法对保证生产设备的正常运转和减少生产损失具有较大的意义。本文围绕这一目标,展开了机械微弱故障特征提取方法的研究。首先针对齿轮裂纹等局部故障的早期诊断,提出了一种时延自相关解调频方法。该方法先对信号进行自相关预处理,然后再对信号的时延自相关函数进行包络解调,可以得原信号的调制频率。由于自相关分析能够消除信号中的随机噪声并保留有其中有规律的成分,所以该方法特别适用于强噪声背景下的信号解调。第二、提出了基于Hilbert-Huang变换(Hilbert-Huang Transform,HHT)的故障特征提取方法。为了解决经验模态分解(Empirical Mode Decomposition, EMD)容易受噪声影响的缺点,本文提出了两套改进方案:(1)首先对信号进行时延自相关预处理,消去信号中的噪声,然后再进行EMD;(2)对信号的Hilbert时频谱进行重排和组合,以牺牲一部分频率分辨率为代价来获取Hilbert时频谱更好的可读性。故障诊断实验证明了改进方案能够从振动信号中提取出微弱的故障特征。第三、提出了一种基于最优Morlet小波和稀疏编码消噪(Sparse Code Shrinkage, SCS)的轴承故障微弱冲击特征的提取方法。主要流程为:首先根据信号特点用差分进化算法(Differential Evolution, DE)和峭度最大化原则构造最优Morlet小波滤波器,并对信号进行滤波处理;然后用稀疏编码消噪进一步消除处于滤波器通带内的噪声。数值仿真和实验验证表明该法能够有效地从低信噪比的振动信号中提取出微弱的冲击特征。最后提出了一种基于数学形态学(Mathematical Morphology, MM)的齿轮箱故障诊断方法。首先对形态学结构单元与分析效果的关系进行了理论分析,然后提出了一种自适应的形态学结构单元的优化方法。最后采用最优扁平结构单元和形态学闭操作可以从信号中提取出周期性的微弱冲击。本法结构紧凑、简单高效可用于实时监测。