论文部分内容阅读
当今,科学技术的发展日新月异,各种先进的旋转机械设备不断朝着复杂、高速、重载和精密的方向发展。此类设备通常应用于电力、冶金、石化等国民经济重要的支柱性产业中,其在运营当中面临着严苛的工作环境。滚动轴承做为旋转机械的重要组成部分,具有极为广泛的应用,也是一种最容易失效的部件。旋转机械设备在运行过程当中,一旦滚动轴承发生故障,轻则可能破坏整台设备,影响正常生产经营,直接导致巨额经济损失;重则可能造成灾难性的后果,发生人员伤亡及设备损毁事件,对社会产生极为严重的负面影响。因此,如何在现有机械故障诊断方法的基础上加以创新和提高,不断地丰富和发展机械故障诊断技术,真正做到对事故的早期预警,具有极为重要的意义。对滚动轴承在运转过程中产生的振动信号进行分析是滚动轴承故障诊断的主要方法之一,其过程主要包括以下三个步骤:1)采集故障振动信号;2)提取故障特征;3)故障类型识别。在此过程中,最为关键的一步就是如何从采集的观测信号中提取出滚动轴承的故障特征信息。本文以滚动轴承为研究对象,采用先进的信号处理工具:约束独立分量分析和多小波分析方法,对滚动轴承故障特征信号的提取进行了相关研究,其主要研究内容如下:(1)针对滚动轴承在运转期间故障信号往往具有周期性冲击的特点,根据源信号的统计独立性和期望信号的某些先验信息,选用基于方波参考信号的约束独立分量分析方法来提取滚动轴承的故障信号。给出了约束独立分量分析方法中选取参考信号应满足的必要条件。基于方波参考信号的约束独立分量分析算法以Fast ICA算法为基础,将与滚动轴承的故障特征频率相等的方波参考信号作为约束条件,使得算法朝着期望信号的方向收敛。鉴于经典Fast ICA算法只具备二阶收敛速度,为了提高算法运算效率,对经典Fast ICA算法的基础上,引入了一种五阶收敛速度的牛顿迭代格式,使得改进后的约束独立分量分析算法具有五阶收敛速度。仿真和试验结果表明,基于方波参考信号的约束独立分量分析方法能够很好地提取滚动轴承的故障特征信号,并且在算法收敛速度方面要快于传统的Fast ICA算法。(2)以Fast ICA算法为基础,提出了基于滚动轴承故障理论模型的约束独立分量分析算法。该算法是通过滚动轴承故障理论模型生成参考信号。尽管故障理论模型与实际故障并不完全一致,但模型误差却不影响算法朝着期望信号的方向收敛。与基于方波参考信号约束独立分量分析算法相比,缩短了算法运行时间,主要原因在于滚动轴承故障理论模型比方波信号更接近于故障信号。(3)以健壮独立分量分析算法为基础,结合故障信号的某些先验信息,提出了约束健壮独立分量分析方法。该算法通过引入期望信号与参考信号的接近性函数,提出了约束健壮独立分量分析对比函数。与传统的基于峭度的Fast ICA算法相比,该算法的优点是:1)通过引入参考信号,使得该算法能够直接朝着期望信号的方向收敛,提高了算法的运算效率;2)通过引入最优步长技术,使得每一次迭代运算都有全局最优解;3)由于该算法对于输入信号无需进行预白化处理,缩短了算法的运算时间。仿真和试验结果表明该算法不论是在运行速度方面还是在算法精度方面都要优于传统的基于峭度的Fast ICA算法。(4)提出了一种多小波预处理的约束独立分量分析算法。该算法对初始信号先期进行多小波降噪处理以提高信号的信噪比。之后应用约束独立分量分析方法提取故障特征信号。与小波独立分量分析(W-ICA)算法相比较,该算法优势如下:1)采用多小波降噪技术,比传统的单小波降噪效果更加明显,原因在于多小波具有单小波不能同时具有的对称性、紧支性、正交性和高阶消失矩等特点;2)引入方波参考信号,使得算法直接收敛于期望信号。仿真和试验结果表明多小波降噪效果要优于单小波降噪,多小波预处理的约束独立分量分析比小波独立分量分析(W-ICA)算法运算效率更高。(5)针对多小波所具有多个小波函数的特性,在机械设备复合故障诊断过程中多小波可同时匹配多个故障特征信号,因此具备了一次性提取出多个故障特征信息的能力。在多小波理论基础上,提出了提升多小波包算法。以最小化信号残差为目标函数,对提升框架的预测算子和更新算子进行优化,实现了提升小波基自适应地匹配输入信号。并且对输出信号进行Hilbert变换处理,能够同时输出多个故障信号,一次性提取复合故障。应用该方法提取滚动轴承内圈-滚动体和外圈-滚动体两种复合故障信号,试验结果表明该方法是可行的、有效的。