论文部分内容阅读
对旋转机械进行故障诊断,实际上就是有效地提取其故障特征信息,目前应用较广泛的是基于时频分析的故障特征提取方法,如经验模态分解方法(Empirical Mode Decomposition,EMD)、局部均值分解(Local Mean Decomposition,LMD)等。然而这些方法仍存在一些难以解决的问题,因此,对新的时频分析方法的研究依然是旋转机械故障诊断领域的热点。受EMD方法和压缩感知理论的启发,THOMAS Y.HOU和Zuoqiang SHI提出了自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)方法,并将其应用到了气象数据的处理中。该方法基于多尺度数据具有内在的稀疏时频分布的特点,以分解得到的分量个数最少为优化目标,在目标优化的过程中实现信号的分解。本文在国家自然科学基金项目(51375152)的资助下,将ASTFA方法引入到旋转机械故障诊断中。本文主要研究内容如下:1.讨论了目前应用比较广泛的几种时频分析方法,重点研究了ASTFA方法。通过仿真信号的对比分析,验证了ASTFA方法的有效性;将ASTFA方法引入到旋转机械中的齿轮和滚动轴承的故障诊断中,试验诊断结果证明了该方法在旋转机械故障诊断中的实用性。2.针对ASTFA方法中初值选取不准确和模态混淆问题,提出了改进的自适应最稀疏时频分析(Improved Adaptive and Sparsest Time-Frequency Analysis,IASTFA)方法。该方法将粒子群算法应用到ASTFA初值的自适应最优选取中;将频率掩蔽信号添加到分解信号中,通过限制分解信号的带宽来抑制其分解过程中的模态混淆。仿真和实验的结果验证了该方法的有效性。3.针对旋转机械的复合故障故障诊断问题,将IASTFA方法应用到单通道盲源分离(Blind Source Separation,BSS)中,提出了基于IASTFA-BSS的旋转机械复合故障诊断方法。将IASTFA方法引入到单通道信号的分解中,把盲源分离中的欠定问题转化为正定问题,进而实现信号的盲分离。仿真和试验的结果都验证了IASTFA-BSS方法在旋转机械复合故障诊断中的实用性。4.将IASTFA方法应用到了滚动轴承的特征提取中,并与基于分位数回归的多变量预测模型的模式识别方法(Quantile Regression-Variable Predictive Mode based Class Discriminate,QRVPMCD)结合,提出了基于IASTFA和QRVPMCD的滚动轴承故障诊断方法。该方法首先利用IASTFA方法对滚动轴承的振动信号进行分解,再提取分量的Hilbert谱奇异值作为特征值,最后将特征值输入到QRVPMCD中进行滚动轴承的故障状态识别。通过试验分析,验证了该方法可以有效地实现滚动轴承的故障诊断。