论文部分内容阅读
旋转机械故障诊断技术有着重要的研究意义,其关键在于提取故障的特征信息。然而,旋转机械的信号多数是非平稳信号。所以,选取适合的信号分析方法从复杂的机械振动信号中提取准确的特征信息是研究的关键点。时频分析方法作为被公认的有效的非平稳信号的处理和分析手段,被广泛应用于旋转机械的故障诊断领域中。自适应最稀疏时频分析(Adaptive and Sparsest Time-frequency Analysis,ASTFA)方法是一种新的非平稳信号自适应分析方法,该方法受经验模态分解(Empirical Mode Decomposition,EMD)方法和匹配追踪(Matching Pursuit,MP)方法的启发,其主要思想是在包含内禀模态函数(Intrinsic Mode Functions,IMF)的过完备字典库中搜索信号的最稀疏解,将信号分解转化为优化问题,在优化的过程中实现信号的自适应分解。相对EMD方法,ASTFA无需处理极值点,所以在抑制端点效应和模态混淆等方面有优势。相对MP方法,ASTFA方法的自适应性较好且分解结果具有更好的物理意义。但ASTFA在初始值设置和分量的物理意义等方面仍然存在着一些不足,其理论仍需进一步完善。论文在国家自然科学基金项目(编号:51375152)的资助下,对ASTFA方法进行了深入的研究,针对其存在的缺陷对ASTFA的理论进行了完善,在此基础上提出了一种新的自适应信号分解方法—自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)方法,并将其应用于旋转机械故障诊断。论文主要研究工作和创新性成果有:(1)针对ASTFA方法初始值设置方面存在的缺陷,提出了(Adaptive and Sparsest Time-Frequency Analysis based on Optimized Initial Values,ASTFA-OIV)方法,采用不断缩小分辨率以对初值进行搜索的方式来确定最佳初值,从达到改善ASTFA分解能力的目的。对仿真信号和齿轮故障信号的分析表明ASTFA-OIV方法不仅能提高ASTFA分解结果的准确性,而且可以有效应用于齿轮故障诊断。(2)除了在初始值设置方面存在缺陷,ASTFA的另一个问题是容易产生模态混淆。针对这些问题,提出了 ASNBD方法。首先,ASNBD使用遗传算法(Genetic Algorithm,GA)对滤波器参数进行优化,随机产生初始值。其次,ASNBD使用微分算子作为优化目标函数,从而将分量约束为局部窄带信号,使分量具有更明确的物理意义,从而有效避免分解结果产生模态混淆。使用ASNBD对仿真信号和滚动轴承故障振动信号进行分析,结果表明该方法能抑制模态混淆现象的产生,并可以有效应用于滚动轴承的故障诊断。(3)针对GA容易陷入局部最优解、计算效率低和输入参数多的问题,使用一种新的基于化学反应的用于解决优化问题的启发式方法—人工化学反应优化算法(Artificial Chemical Reaction Optimization Algorithm,ACROA)来解决 ASNBD中的优化问题,在此基础上提出了基于ACROA的ASNBD(ASNBD-ACROA)方法。对仿真信号的分析结果表明,相对基于GA的ASNBD方法,ASNBD-ACROA方法具有鲁棒性好、输入参数少、计算量小、计算时间短等优点。同时,对转子的故障诊断结果证明了该方法用于机械故障诊断的有效性。(4)针对故障类型识别问题,提出了基于ASNBD和最大间隔弹性凸包分类(Maximum Margin Classification based on Flexible Convex Hulls,MMC-FCH)的故障模式识别方法。MMC-FCH是一种新的模式识别方法,该方法在支持向量机(Support Vector Machine,SVM)的理论基础上定义了弹性凸包,从而给出更为合适的类别分布估计。对实验信号的分析结果表明,相对SVM,基于ASNBD和MMC-FCH的故障模式识别方法具有鲁棒性好、分类精度高的优点。(5)针对滚动轴承的退化状态识别和寿命预测问题,提出了基于ASNBD和高斯混合模型(Gaussain Mixture Model,GMM)聚类的滚动轴承退化状态识别和寿命预测方法。为对滚动轴承的退化状态进行分类,并识别出训练数据中的异常点,引入了 GMM聚类方法,在此基础上提出了基于ASNBD和GMM的滚动轴承退化状态识别和寿命预测方法。实验数据的分析结果表明该方法能有效提高退化状态识别和寿命预测精度。