论文部分内容阅读
机械设备故障信号的调制特性使得包络解调分析能够有效地提高信噪比和分析效果，能比较有效地诊断机械设备的早期故障，因此，包络分析一直是机械设备故障诊断的热点，也是最成功的诊断方法之一。丁康等提出了一种用复解析带通滤波器的包络分析，将希尔伯特变换和带通滤波合为一体，把不包含故障信息的信号滤掉，并且避免了广义检波滤波解调分析中的混频现象。文献为了克服包络谱分析需要人为设定带通滤波的中心频率和带宽的缺点，提出了基于经验模式分解的包络谱分析，利用经验模式分解自适应地把机械设备振动信号从高到低分解到不同的频带，然后选择包含故障信号最丰富的高频带作包络分析，从而实现轴承不同工作状态的识别。
基干频域和时频分析旳特征提取，在用传感器釆集轴承运行过程中的振动信号时，一般会包含很多的背景噪声，因此振动信号的频域内容就包含很多复杂的频率成分，如何在这些复杂的频率成分中识别出与轴承故障相关的频率或其特征是基于频域和时频分析的特征提取的主要内容。目前基于频域的特征提取方法主要有：幅值谱分析、功率谱分析、倒谱分析、复倒谱分析、细化谱分析、AR模型谱分析、高阶谱分析和包络谱分析等基于时频分析的特征提取方法主要有：短时傅里叶变换、分数阶傅里叶变换、Wigner-Ville分布、小波及小波包分析、经验模式分解、S变换、谱峭度和稀疏分解等。在基于频域的特征提取方法中，髙阶谱由于能够消除髙斯噪声且弥补了功率谱包含相位信息的缺点而得到广泛的应用。在不需要大量先验数据的基础上，利用双谱域的统计变化检测实现了轴承和齿轮故障的诊断。刘雪霞等针对机械设备振动信号的频谱成分多样和二次相位耦合的特点，利用双谱技术提取轴承故障信息，验证了髙阶谱在机械设备故障特征提取中的有效性，并对比说明了比功率谱的优越性。
小波分析从不同的尺度观察信号，将信号分解在不同的频带内，具有多分辨率的能力，在低频部分有较高的频率分辨率，在高频部分有较高的时间分辨率。小波变换拥有强大的特征提取、奇异性监测和滤波降噪的能力，在机械故障诊断中得到了非常广泛的应用。文献把高阶统计量中的峭度与小波以及小波包变换相结合，计算变换后不同频带信号的峭度值，根据不同的故障类型和不同的故障严重程度在不同频带内的硝度值不同，给出相应的峭度值曲线，与正常信号的峭度值曲线对比，从而实现轴承工作状态的识别。利用小波变换良好的时频局部化性质进行轴承振动信号的解调，取得了良好的诊断效果。Kumar等_釆用离散小波变换进行圆锥滚子轴承的外圈故障尺寸的检测，利用Sytnlet5小波能够保留突变信号里的冲击信息的特点成功实现了这一点，并把误差控制在很小的范围。Qiu等研究了小波变换在机械设备故障信号消噪中的应用，用最小Shannon熵优化Morlet小波参数，再结合奇异值分解选择合适的小波变换尺度，提高了信噪比，实现了轴承故障信号在强噪声下的微弱故障信号的检测，进而成功完成了机械设备故障的诊断。小波变换的系数是信号局部与小波基函数相似程度的反应，系数越大说明两者越相似所以小波基函数的选择很大程度上影响着能否有效地提取故障信号的特征。目前在机械设备的故障诊断中，最常用的小波基函数是Morlet小波，因为它与故障引起的周期性衰减振动的波形很相似。
基于此优点，EMD—经提出就被广泛应用到机械设备的故障诊断中。苏文胜等”进行了 EMD用于降噪的研究，采用互相关系数准则或者峭度准则去除与原信号互相关系数比较小或者峭度较小的伪mF分量，再利用谱峭度法选择合适的带通滤波器参数，最后运用包络分析实现了机械设备早期故障的诊断。程军圣利用EMD能够把信号分解成若干个基本模式分量且每个分量都是单分量AM-FM调制信号的特点，然后对每个分量进行能量算子解调，得到其瞬时幅值和瞬时频的信息，成功进行了机械设备不同故障模式的识别。文献利用EMD分解机械设备振动信号，然后选取包含故障信息较多的前几个IMF分量进行谱分析，取得了比直接谱分析更好的效果。把EMD与支持向量机等先进的模式识别技术相结合进行机械设备工作状态的识别，取得了不错的效果。EMD方法的理论基础还不完善，在应用中还有很多需要改进的地方，比如模态混叠、端点效应和内蕴模式函数的判据等。许多研究人员针对这些问题提出了相应的解决办法，提出了一种集总经验模式分解（EEMD）的方法来消除模态混叠，在信号中加入辅助噪声之后进行EMD分解，然后求一定次数之后的IMF的平均作为最后求得的IMF，收到一定的效果。研究了信号包含间断信号时的EMD分解，利小波变换对原始信号进行预处理滤掉间断信号之后再进行EMD分解，从而避免了模态混叠。
在故障诊断领域中应用的小波变换包括二进离散小波变换和连续小波变换，二进小波变换一个比较大的缺陷是不具有“时不变”的特征，不能有效检测具有不确定时刻出现的信号。与二进离散小波变换相比，连续小波把时间尺度划分的更细致，仅仅要求小波基满足容许条件，且具有时不变特性，因此连续小波变换能够充分发挥小波变换细致刻画信号方面的能力。文献利用连续小波变换提取机械设备的故障特征，取得了不错的诊断效果。随着小波理论的不断发展，出现了第二代小波和多小波并被应用到机械设备的故障诊断中经验模式分解是 Huang 于 1998 年提出的一种新的非平稳信号处理方法，将信号分解为内蕴模式函数。与小波变换相比，EMD的优越性在于其自适应性，小波变换的基函数一旦选定，则在整个分析过程中无法更改，因此对信号局部没有自适应性，而EMD是完全基于“数据驱动”的，不需要预先选择基函数。
基干频域和时频分析旳特征提取，在用传感器釆集轴承运行过程中的振动信号时，一般会包含很多的背景噪声，因此振动信号的频域内容就包含很多复杂的频率成分，如何在这些复杂的频率成分中识别出与轴承故障相关的频率或其特征是基于频域和时频分析的特征提取的主要内容。目前基于频域的特征提取方法主要有：幅值谱分析、功率谱分析、倒谱分析、复倒谱分析、细化谱分析、AR模型谱分析、高阶谱分析和包络谱分析等基于时频分析的特征提取方法主要有：短时傅里叶变换、分数阶傅里叶变换、Wigner-Ville分布、小波及小波包分析、经验模式分解、S变换、谱峭度和稀疏分解等。在基于频域的特征提取方法中，髙阶谱由于能够消除髙斯噪声且弥补了功率谱包含相位信息的缺点而得到广泛的应用。在不需要大量先验数据的基础上，利用双谱域的统计变化检测实现了轴承和齿轮故障的诊断。刘雪霞等针对机械设备振动信号的频谱成分多样和二次相位耦合的特点，利用双谱技术提取轴承故障信息，验证了髙阶谱在机械设备故障特征提取中的有效性，并对比说明了比功率谱的优越性。
小波分析从不同的尺度观察信号，将信号分解在不同的频带内，具有多分辨率的能力，在低频部分有较高的频率分辨率，在高频部分有较高的时间分辨率。小波变换拥有强大的特征提取、奇异性监测和滤波降噪的能力，在机械故障诊断中得到了非常广泛的应用。文献把高阶统计量中的峭度与小波以及小波包变换相结合，计算变换后不同频带信号的峭度值，根据不同的故障类型和不同的故障严重程度在不同频带内的硝度值不同，给出相应的峭度值曲线，与正常信号的峭度值曲线对比，从而实现轴承工作状态的识别。利用小波变换良好的时频局部化性质进行轴承振动信号的解调，取得了良好的诊断效果。Kumar等_釆用离散小波变换进行圆锥滚子轴承的外圈故障尺寸的检测，利用Sytnlet5小波能够保留突变信号里的冲击信息的特点成功实现了这一点，并把误差控制在很小的范围。Qiu等研究了小波变换在机械设备故障信号消噪中的应用，用最小Shannon熵优化Morlet小波参数，再结合奇异值分解选择合适的小波变换尺度，提高了信噪比，实现了轴承故障信号在强噪声下的微弱故障信号的检测，进而成功完成了机械设备故障的诊断。小波变换的系数是信号局部与小波基函数相似程度的反应，系数越大说明两者越相似所以小波基函数的选择很大程度上影响着能否有效地提取故障信号的特征。目前在机械设备的故障诊断中，最常用的小波基函数是Morlet小波，因为它与故障引起的周期性衰减振动的波形很相似。
基于此优点，EMD—经提出就被广泛应用到机械设备的故障诊断中。苏文胜等”进行了 EMD用于降噪的研究，采用互相关系数准则或者峭度准则去除与原信号互相关系数比较小或者峭度较小的伪mF分量，再利用谱峭度法选择合适的带通滤波器参数，最后运用包络分析实现了机械设备早期故障的诊断。程军圣利用EMD能够把信号分解成若干个基本模式分量且每个分量都是单分量AM-FM调制信号的特点，然后对每个分量进行能量算子解调，得到其瞬时幅值和瞬时频的信息，成功进行了机械设备不同故障模式的识别。文献利用EMD分解机械设备振动信号，然后选取包含故障信息较多的前几个IMF分量进行谱分析，取得了比直接谱分析更好的效果。把EMD与支持向量机等先进的模式识别技术相结合进行机械设备工作状态的识别，取得了不错的效果。EMD方法的理论基础还不完善，在应用中还有很多需要改进的地方，比如模态混叠、端点效应和内蕴模式函数的判据等。许多研究人员针对这些问题提出了相应的解决办法，提出了一种集总经验模式分解（EEMD）的方法来消除模态混叠，在信号中加入辅助噪声之后进行EMD分解，然后求一定次数之后的IMF的平均作为最后求得的IMF，收到一定的效果。研究了信号包含间断信号时的EMD分解，利小波变换对原始信号进行预处理滤掉间断信号之后再进行EMD分解，从而避免了模态混叠。
在故障诊断领域中应用的小波变换包括二进离散小波变换和连续小波变换，二进小波变换一个比较大的缺陷是不具有“时不变”的特征，不能有效检测具有不确定时刻出现的信号。与二进离散小波变换相比，连续小波把时间尺度划分的更细致，仅仅要求小波基满足容许条件，且具有时不变特性，因此连续小波变换能够充分发挥小波变换细致刻画信号方面的能力。文献利用连续小波变换提取机械设备的故障特征，取得了不错的诊断效果。随着小波理论的不断发展，出现了第二代小波和多小波并被应用到机械设备的故障诊断中经验模式分解是 Huang 于 1998 年提出的一种新的非平稳信号处理方法，将信号分解为内蕴模式函数。与小波变换相比，EMD的优越性在于其自适应性，小波变换的基函数一旦选定，则在整个分析过程中无法更改，因此对信号局部没有自适应性，而EMD是完全基于“数据驱动”的，不需要预先选择基函数。