论文部分内容阅读
Hilbert-Huang变换是一种新的具有很强自适应能力的时频分析方法,它可根据信号的局部时变特征进行自适应的时频分解,得到极高的时频分辨率,具有良好的时频聚集性,非常适合对非平稳、非线性信号进行分析。目前在故障诊断中得到了广泛的应用。本文利用Hilbert-Huang变换,针对航空发动机整机振动中转子和滚动轴承故障诊断的问题,进行了如下研究工作:(1)介绍了Hilbert-Huang变换的基础理论,并将其与包括短时傅里叶变换、Wigner-Ville分布和小波变换等在内的传统的时频分析方法进行了比较分析,发现HHT方法无需特定的基函数,可根据信号的局部时变特性进行自适应的时频分解,弥补了传统时频分析方法的缺点。(2)研究了基于Hilbert-Huang变换的转子故障分析及信号特征提取。本文运用Hilbert-Huang变换原理,通过对转子故障振动位移信号进行EMD分解,得到不同频率段的各个IMF分量,然后对感兴趣的IMF进行频谱分析,发现了故障信号中所含频率特征。并用ZT-3型多功能转子实验器和航空发动机转子实验器进行了分析验证。(3)研究了基于Hilbert-Huang变换的滚动轴承故障分析及信号特征提取。本文首先分析了滚动轴承故障特征,然后利用EMD分解将滚动轴承故障振动加速度信号分解为各个IMF分量,再用Hilbert变换对前几个IMF进行解调,再对解调后的信号进行频谱分析得到包络谱,从包络谱上获取轴承故障特征信息,最后本文利用美国Case Western Reserve University电气工程实验室的滚动轴承故障模拟实验台获取的滚动轴承故障数据进行了分析验证。(4)为了实现基于HHT的转子故障智能诊断,需要利用HHT自动从故障数据中提取出特征向量,本文通过分析比较,提出用于转子和滚动轴承故障智能诊断的诊断特征量,分析了特征量的灵敏度。并利用结构自适应神经网络构造了用于识别多类故障的结构自适应集成神经网络模型,对转子和滚动轴承故障样本进行了智能诊断,获得了满意的识别效果。