论文部分内容阅读
本论文以烟气轮机等旋转机械为主要研究对象,针对其非平稳动力特性,将经验模式分解理论应用于其故障的智能诊断中,在振动信号降噪、故障特征提取、故障模式识别等方面进行了深入的研究,主要完成了以下工作:
1.提出采用迭代奇异值分解(ISVD)降噪方法对旋转机械振动信号进行降噪,并将ISVD降噪与小波阈值降噪、数字滤波从时域图、频域图、伪相图、关联维等多角度进行了对比实验,验证了ISVD降噪的优越性。
2.将HHT时频谱与常见的时频分析方法进行了对比分析,指出了其优势:针对噪声对HHT时频谱的影响进行了实验分析,总结了其规律;提出将ISVD降噪和重排谱图应用于HHT时频谱分析中,有效地克服了噪声对HHT时频谱的影响,提高了HHT时频谱高频部分的时频分辨率,实现了时频特征的准确定位。
3.为了对EMD分解结果的质量进行评判,提出了计算基本模式分量(IMF)的重排谱图的Renyi信息的方法。该方法可以准确地度量IMF中含有的基本信号分量个数,从而判断其是否为平稳信号。
4.提出了基于EMD和小波包络谱的转子碰摩故障特征提取方法。将小波分析与Hilbert包络解调技术应用于EMD分解结果的二次处理,该方法可以有效地提取出被噪声所淹没的碰摩故障特征。
5.提出了基于EMD和SOM神经网络的旋转机械可视化诊断方法,IMF能量特征向量优于传统时频指标特征向量,SOM神经网络对大数据量样本的聚类能力很强,两者结合可以准确地对不同故障进行聚类和识别,进一步地,利用U矩阵图清晰直观地显示了SOM网络聚类结果。
6.提出了基于HHT和Bayesian框架最小二乘支持向量机的旋转机械故障识别方法,在小样本训练情况下,能很好地建立故障识别模型,其识别准确率明显优于其他方法。