论文部分内容阅读
旋转机械是生产领域中十分重要的机械设备,由于旋转机械激励源多、性质复杂,其振动信号往往是非平稳的多分量信号,其不同的非平稳特性往往对应不同的机械故障。为了更好的进行旋转机械的故障诊断,有必要对信号的时频分析方法进行研究与应用。本文根据以上的需求开展研究工作,基于维格纳-威尔分布、小波尺度谱、Hilbert时频谱等时频分析方法,结合盲分离、同步平均技术和多尺度熵方法,对旋转机械的故障诊断方法进行了较为深入的研究和应用。为了实现对旋转机械振动信号中独立源信号的提取,研究了一种基于时频分析的盲分离方法,从而更加准确的进行设备故障诊断。首先在理论上推导了该方法的实现过程;采用仿真信号分析了基于不同时频分布的盲分离的效果,并与独立分量分析的结果进行了对比;最后在转子实验台上模拟不平衡、不对中和基座松动三种故障,采用该方法较好的实现了三种故障的识别与诊断。针对旋转机械振动信号中往往夹杂着噪声干扰和具有循环平稳性的特点,结合时域同步平均可降低噪声干扰的优点和小波变换可对信号进行多尺度分析的优势,提出一种基于小波重排尺度谱的同步平均的信号分析方法。首先对信号进行连续小波变换并进行重排处理,然后对各个尺度上的信号进行时域同步平均,获得平均后的小波重排尺度谱。通过仿真分析和滚动轴承故障模拟实验检验该方法的有效性。旋转机械的Hilbert时频谱含有大量的机械设备工作状态的特征信息,然而其特征往往难于辨识,而多尺度熵可以有效的描述序列的复杂度,提出了一种基于Hilbert时频谱特征提取的设备状态识别方法。首先对信号进行希尔伯特-黄变换获得Hilbert时频谱,然后对时频谱进行区域划分和降至一维并求其多尺度熵,通过对比设备不同运行状态下的Hilbert时频谱的多尺度熵曲线,选择有效分离不同设备状态的尺度处的样本熵和时频谱的能量作为其特征向量用于设备状态识别。采用本方法对不同轴承故障状态的信号进行了特征提取,实现了轴承状态的有效识别。基于虚拟仪器开发了旋转机械振动测试与分析系统。该系统可以实现8通道的振动信号采集,并通过无线数据传输模式将测试数据传输给上位机,进行显示、分析和存储。具有常见的时域、频域等分析功能和Hilbert时频谱等时频分析方法。通过实际应用验证了系统的实用性和有效性。