胡劲松[1]2003年在《面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究》文中提出基于经验模态分解(Empirical Mode Decomposition，EMD)的时频分析方法，被认为是近年来对以傅里叶变换为基础的线性和稳态谱分析的一个重大突破。本文结合“基于独立分量分析的旋转机械故障诊断新方法的研究”国家自然科学基金项目(50205025)和“基于CORBA分布计算策略构建远程监诊的新方法研究”省自然科学基金项目(501061)，以面向大型旋转机械故障诊断的时频分析为目标，研究了该方法的基本原理和算法：针对其端点效应等不足，提出了新的数据延拓技术；针对EMD算法的精度和速度上的不足，提出了新的改进算法；设计和开发了基于EMD时频分析的软件系统；以模拟转子实验台为基础构建了实验系统，并进行了实验研究。本文的研究成果将为旋转机械信号处理与故障诊断，尤其是为非线性和非稳态的故障分析与诊断给出了一条新的途径。全文的主要研究内容如下： 第一章论述了面向旋转机械故障诊断时频分析的研究意义；介绍了旋转机械故障诊断理论与技术概况；综述时频分析方法的发展及其在机械故障诊断中的应用及存在问题；介绍了基于EMD的时频分析方法及国内外研究现状，以及把该方法引入旋转机械故障诊断的重要性；最后，提出了本文的研究思路与研究内容，并给出了本文的总体框架和创新之处。 第二章介绍了基于EMD时频分析方法的一些基本概念；阐述了EMD方法和基于EMD的希尔伯特变换的基本原理和算法；在此基础上，用基于EMD的时频分析方法对仿真和实际信号进行了分析验证，结果表明把该方法引入旋转机械振动信号时频分析和故障诊断领域是有效的。 第叁章介绍了EMD算法端点效应的机理；然后系统地研究了直接信号序列延拓技术、基于时间序列预测和基于神经网络预测的数据序列延拓技术的特点及性能；最后，对各种延拓技术进行了比较研究，分析了各种延拓技术的优缺点。提出了基于时间序列建模和基于BP、径向基神经网络的EMD数据延拓技术。 第四章从提高速度与精度两方面着手，对EMD算法进行了系统地研究。首先研究样条插值的端点条件对EMD算法的影响，结果表明第一个端点条件和第二个端点条件对EMD分解效果较好；然后研究基于低次插值的EMD算法和效果，结果表明该算法速度较快但精度不好；提出了基于高次(高于叁次)样条插值的EMD算法并考察了效果，表明高次样条插值能提高EMD算法精度，但耗时增加；在论述简单平均的EMD算法的基础上，分析了基于自适应时变滤波的EMD算法和效果，结果表明该算法没有明显的优点；根据EMD算法的使用特点，提出了基于有效数据的EMD快速算法，并对该算法的效果进行了系统地研究，结果表明该算法效果很好。 第五章针对旋转机械信号进行EMD时频分析的要求，提出了提高整周期采样精度的预测算法和适合于单片机计算的近似公式；论述了模态裂解现象，并通过仿真信号和实际信号的研究，提出了使用滤波技术来减弱模态裂解现象的方法；给出了适合于旋转机械振动信号基于EMD时频分析的工作步骤；研究了基于EMD的旋转机械振动信号自适应滤波技术。 第六章把基于EMD的时频分析方法分别与短时傅里叶变换、Wigner分布分析、小波变换进行了比较研究，结果表明，基于EMD时频分析方法比上述方法有效；针对Wigner分布分析的交叉项干扰，提出了基于EMD的Wigner分布分析新方法，研究结果表明新方法能有效地消除交叉项干扰。 第七章以模拟转子实验台为基础构建了实验系统；用基于EMD的时频分析方法对转子冲临界过程进行了实验研究与分析；在论述几种典型故障特点的基础上用基于EMD的时频分析方法对这几种故障振动信号进行了实验研究与分析，获得了时频特征。浙江大学博士学位论文摘要 第八章分析、设计并实现了基于EMD时频分析的软件系统;结合Matlab和C++Builder的优点，介绍了C++ Bui lder和Matlab混合编程的实现方法;介绍了基于EMD时频分析软件系统的基本组成和功能。 第九章总结了全文的研究成果和创新之处;并对今后的工作提出了展望。
吕中亮[2]2016年在《基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究》文中指出旋转机械作为现代化工业生产中必不可少的工程设备,被广泛应用于化工、石油、冶金、电力等关系国计民生的重要领域。一旦旋转机械设备发生故障轻则致使整个系统瘫痪造成巨大经济损失,重则产生人员伤亡。研究表明旋转机械早期故障阶段具有较长的潜伏期,如果能在旋转机械设备故障萌芽即将出现、刚刚出现或故障程度比较轻微时,准确地预测故障可能发生的时间、部位以及故障类别,并据此指导旋转机械设备的保养和维修工作,将有利于对旋转机械设备故障发展进行有效控制,并保障其安全可靠地运行。旋转机械早期振动信号易受强背景噪声干扰,同时受到传输路径与信号衰减、传播介质与采集设备损耗等因素影响,进一步弱化了振动信号中包含的故障振动信号信息;旋转机械大多结构复杂,故障源信号至测点位置为非线性传播,同时运行工况不稳定、多部件耦合振动、振动干扰大等特点,使得采集到的故障振动信号具有强烈的非平稳、非线性等特点,导致故障振动信号与设备状态映射关系模糊,故障特征难以提取;旋转机械早期故障样本缺乏长期性、系统性的收集,故障样本稀缺且故障特征值和故障的类别无明确的映射关系,故障辨识难度大。论文针对旋转机械微弱故障信号增强、非线性及非平稳故障信号特征提取、小子样故障诊断等问题,深入研究基于变分模态分解及优化多核支持向量机的旋转机械早期故障诊断方法,具体研究内容如下:(1)针对旋转机械早期背景噪声干扰大故障信息微弱的问题,提出自适应最大相关峭度反卷积的微弱故障增强方法。以相关峭度作为评价指标,充分考虑早期故障振动信号中所含冲击成分的特性,通过迭代过程以实现解卷积运算;利用小波Shannon熵作为目标函数,采用变步长网格搜索法自动搜寻最优滤波器阶数以及周期;使最大相关峭度反卷积方法在达到很好的效果的同时更具有自适应性,从而有效地检测出被噪声淹没的微弱故障;(2)针对旋转机械故障信号非平稳、非线性特征提取难的问题,提出自适应变分模态分解的多频带多尺度样本熵特征集构建方法。利用不同频带上模态的多尺度样本熵组成敏感特征向量集,表征旋转机械早期故障状态特征,进而提高对旋转机械早期故障状态的辨识能力;(3)针对变分模态分解中一些关键参数选择不确定的问题,提出自适应变分模态分解方法;提出以VMD分解后各模态与原信号之间的相关性来保证分解的精度并指导最优K值的确定;VMD分解中平衡约束参数越小,所得模态分量带宽越大,易出现中心频率重迭以及模态混迭的现象;通过仿真实验分析,提出在实际应用中一般可取平衡约束参数为采样频率;研究分析了自适应变分模态分解的性能:正交性能分析、能量保存度分析、等效滤波属性分析;通过仿真实验分析得出:自适应变分模态分解在正交性能、能量保存性能方面,均优于EMD、EEMD、LMD方法;利用分数高斯噪声通过数值模拟实验对EMD、LMD、AVMD等效滤波属性分析,相比于EMD和LMD,AVMD可以更接近于小波包分解,且是一种比EMD和LMD能提供更高的时频分辨率的自适应分解方法;对比研究了AVMD与EMD性能,发现当有异常信息干扰时,AVMD仍具有很好的效果;(4)针对旋转机械早期故障样本缺乏,提出基于免疫遗传算法优化多核支持向量机的旋转机械小子样故障诊断方法。通过引入权重因子将不同核函数组合学习,基于全局核函数以及局部核函数构造多核函数,实现输入特征向量到核函数空间的快速映射,算法泛化能力更好、模型解释能力更强;利用免疫遗传算法获取多核支持向量机最优参数,克服多核支持向量机参数选择的不确定性,进而提高多核支持向量机在旋转机械小子样振动故障诊断中的稳定性以及泛化推广能力。文章最后对本文的工作进行总结,并展望下一步的研究方向。
郑近德[3]2014年在《局部特征尺度分解方法及其在机械故障诊断中的应用研究》文中认为机械设备状态监测和故障诊断对于保证机械设备的健康运行、早期故障的预警以及故障发生的正确定位与诊断都有重要的理论和实际意义。机械设备振动信号大都是非线性和非平稳信号，因此，机械设备故障诊断的关键是如何从非线性和非平稳信号中提取故障特征并进行模式识别。时频分析方法由于能够同时提供振动信号时域和频域的局部信息而在机械故障诊断中得到了广泛应用。近年来，小波变换、经验模态分解(Empirical Mode Decomposition, EMD)、局部均值分解(Local Mean Decomposition, LMD)等时频分析方法由于特别适合处理机械振动信号而被国内外相关学者应用到机械故障诊断领域，并取得了许多非常可喜的研究成果，但这些时频分析方法都有各自不同的局限性。局部特征尺度分解(Local Characteristic-scale Decomposition, LCD)是一种新的非平稳信号自适应分析方法，该方法在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic Scale Component, ISC)基础上，自适应地将一个复杂信号分解为若干个ISC分量之和，从而得到原始信号完整的时频分布。与EMD、LMD等方法相比，LCD在端点效应的抑制、计算速度和分解效果等方面具有一定的优越性。论文在国家自然科学基金项目（编号：51075131）的资助下，对局部特征尺度分解方法进行了深入的研究，对其理论进行了完善，在此基础上，将局部特征尺度分解方法及其理论应用于旋转机械故障诊断。论文主要研究工作和创新性成果有：1.对LCD方法的理论进行了研究，解决了均值曲线定义存在的不足、模态混迭的抑制等问题。(1)将LCD方法与EMD进行了对比分析，仿真和机械故障振动信号的分析结果表明了LCD方法的优越性；(2)针对LCD中均值曲线中直线连接极值会与数据交叉的问题，提出了基于分段多项式的改进LCD方法，并将其应用于仿真和转子碰摩故障振动信号分析，结果表明了ILCD方法的有效性；(3)针对基于筛分的自适应信号分解方法中由于均值曲线不同而导致分解结果差异的问题，提出了一种新的非平稳信号的自适应分解方法——广义局部特征尺度分解（Generalized LCD, GLCD），GLCD通过从不同均值曲线筛分的结果中选择最优分量，再对剩余信号重复筛分过程，从而保证了最终的分解结果也是最优的。分别采用仿真和机械故障振动信号将其与EMD、LCD方法进行了对比，结果表明GLCD方法在正交性、分解能力等方面有一定的优越性，从而能够得到更好的分解结果。(4)针对LCD分解过程中可能出现的模态混迭问题，分别提出了部分集成和完备总体平均局部特征尺度分解等方法，对仿真和机械故障振动信号的分析结果表明，所提出的方法能够有效地抑制LCD的模态混迭现象。2.对ISC分量的瞬时频率估计方法进行了研究，提出了两种新的瞬时频率估计方法和多分量信号解调方法。(1)针对希尔伯特变换、能量算子解调和标准希尔伯特变换等常用的瞬时估计方法存在的不足，提出了一种新的瞬时频率估计方法——经验包络法，仿真信号分析结果表明了其优越性。同时，针对机械故障振动信号的调制特性，提出了基于LCD的经验包络解调方法，并将其应用于滚动轴承的故障诊断，结果表明了所提出方法的有效性；(2)针对标准希尔伯特变换和直接正交法存在的问题，提出了归一化正交法。并针对多分量信号的解调问题，提出了基于GLCD和归一化正交的时频分析方法，仿真和实验信号的分析结果表明了所提出方法的优越性；3.对LCD方法在机械故障诊断中的应用进行了研究，与其它数学方法相结合，提出了多种基于LCD的机械故障诊断方法，实验数据分析结果表明了LCD方法可以有效地应用于机械故障诊断。(1)在对多尺度模糊熵进行改进的基础上，提出了基于LCD和模糊熵的振动信号自适应多尺度复杂性分析方法；在多尺度排列熵的基础上，提出了基于LCD和排列熵的振动信号自适应多尺度随机性检测方法，并将它们应用于机械故障振动信号特征的提取；(2)将基于变量预测模型的模式识别(Variable Predictive Model based ClassDiscriminate, VPMCD)方法的应用扩展到机械故障诊断领域，VPMCD方法基于特征量之间的内在关系建立预测模型，通过对特征量进行预测，从而实现模式的分类。在VPMCD的基础上，结合LCD，提出了相应的旋转机械智能故障诊断方法。
任达千[4]2008年在《基于局域均值分解的旋转机械故障特征提取方法及系统研究》文中研究指明机械设备故障诊断技术对于保证设备的安全、可靠、高效运行具有重要的理论意义和应用价值。机械设备的信号处理和故障特征提取是机械设备故障诊断技术中的关键问题,是机械学科的研究热点之一。局域均值分解(Local Mean Decomposition,LMD)是一种近年来新出现的时频分析方法,该办法的特点是可以获得信号在任何时刻的时频分布及有物理意义的瞬时频率,为机械设备故障诊断提供一种新的故障特征提取方法。本文结合国家自然科学基金项目,研究了基于LMD的旋转机械故障特征提取方法,并开发了基于嵌入式系统的故障诊断系统。论文的主要研究内容和章节安排如下:第一章论述了旋转机械故障诊断的研究意义,介绍了旋转机械故障诊断方法与技术的研究现状;综述了时频分析方法的发展以及在机械故障诊断中的应用;分析了基于LMD的时频分析方法和故障诊断系统的国内外研究现状,提出了本文的研究思路与研究内容。第二章介绍了基于LMD时频分析方法的一些基本概念,接着介绍LMD的理论基础和算法,然后给出实例说明LMD在旋转机械故障特征提取中的应用,最后比较LMD和经验模态分解(Empirical Mode Decomposition,EMD)的不同之处,指出LMD在旋转机械故障特征提取中的优势。第叁章研究了纯调频信号瞬时频率的直接求取法,针对极值点附近畸变情况引进平滑处理以改进该算法,得到较好的效果;提出并证明了纯调频的瞬时频率直接求取法适用性的判别条件:纯调频信号的极值点为±1;分别应用直接法、Hilbert变换和Teager能量法对仿真信号和旋转机械实测振动信号进行分析比较,结果表明:直接法可以获得调频调幅信号的频率和幅值随时间变化情况,能够直观地反映波内调制现象,验证了瞬时频率直接求取法的有效性,为旋转机械故障振动信号时频特征提取提供了一种方法。第四章研究了采样效应对LMD分解的影响,给出纯调频信号的判据的实现方法,在实际信号处理时,必须在±1处设置一增减量δ。提出在信号的相邻极值点距离变化比较大的情况下,应用新的滑动平均跨度的选择方法,使LMD算法易于收敛。分析LMD端点效应的特点,提出了一种LMD端点效应的评价指标和一种基于端点延拓的LMD端点效应抑制方法。第五章建立了旋转机械的故障模拟实验装置,开发基于LMD的旋转机械故障分析原型系统;应用基于LMD的时频分析方法,研究了转子裂纹、油膜涡动和轴不对中叁种典型故障振动信号的时频特征,验证了该方法提取故障特征的有效性。应用BP神经网络对故障分类做了实验研究。结论是:裂纹转子的振动信号有明显的波内频率训制现象;油膜涡动振动信号LMD分解以后,可以得到0.5倍频和1倍频两个频率成分,边缘谱的能量主要分布在0.5倍频和1倍频附近:不对中振动信号在时频谱上主要表现为频率调制现象,边缘谱在1倍频附近有一较宽的频带。LMD分解PF特征提取方法结合BP神经网络,与FFT频谱特征方法比较可以有效地对裂纹转子、油膜涡动和转子不平衡叁种故障分类。第六章分析旋转机械故障分析系统的结构,给出了面向旋转机械的嵌入式故障分析系统整体方案;设计了一种带有自动放大控制(AGC)的键相信号预处理电路,提高了系统的可靠性;提出了一种跟踪转速的整周期、等相位的信号采集控制方法;研究了基于重采样技术的整周期采样方法,仿真表明重心法检测脉冲周期比过零法有更高的抗噪能力;对所开发的面向旋转机械嵌入式故障分析系统进行了性能测试,说明系统能满足实际数据采集和故障特征分析的要求。上述的技术和系统已经在相关的企业现场投入实际运行,效果良好。第七章总结了论文的研究内容,展望了论文研究工作的发展。
曹莹[5]2016年在《油气初加工装置旋转设备中轴承故障特征提取方法研究》文中研究表明目前,Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)作为一种自适应的时频分析方法,在旋转机械故障诊断领域已经得到了广泛的应用。随着故障诊断技术的日趋先进和智能化,HHT技术也逐渐成熟,但同时也暴露出一定的问题。鉴于此,通过对HHT理论的深入研究,针对其存在的问题及研究现状,同时综合考虑油气初加工装置旋转设备中滚动轴承振动信号的非线性等实际特点,提出了相应的HHT改进方法,并通过仿真及实验验证了该方法的有效性。首先,对HHT的基本原理,包括HHT流程、EMD分解过程、Hilbert变换及相应的频谱和算法等进行了分析研究。汇总分析了HHT存在的诸如端点效应、模态混迭、虚假分量、速度以及理论支撑等问题的研究现状,同时结合HHT在滚动轴承故障诊断领域中的应用情况,提出了相应的HHT改进思路,主要从信号预处理和EMD方法及条件选择两方面进行深入的研究。其次,通过对现有信号降噪方法的分析研究,综合考虑滚动轴承振动信号的自身及环境特点,构造了基于多尺度运算的平均组合形态滤波器。利用该滤波器对振动信号进行预处理,以去除周围环境等的噪声干扰,便于进行后续的特征频率提取。同时,在分析研究目前各种延拓技术的基础上,根据滚动轴承振动信号的特点,提出了基于波形匹配的端点对称延拓方法。该方法能够与后续EMD过程中的插值方法有机结合,进而实现对端点效应以及模态混迭等问题的抑制效果。再次,分析研究了EMD分解过程中的插值方法及IMF判据和筛分停止准则的选择。在此基础上,将其与信号预处理(降噪、延拓)有机结合,进而确定出改进的HHT方法以及基于改进HHT方法的特征频率提取流程。最后,进行了基于传统HHT方法与改进HHT方法的特征频率提取仿真及实验。根据仿真及实验效果的对比分析,验证了研究确定的改进HHT方法能够克服传统HHT方法的不足,准确、有效地提取出滚动轴承的故障特征频率。
张韧[6]2004年在《旋转机械故障特征提取技术及其系统研究》文中认为旋转机械故障特征提取是旋转机械故障诊断的核心之一。本论文研究结合国家自然科学基金项目“基于独立分量分析的旋转机械故障诊断新方法的研究”(50205025)、浙江省自然科学基金项目“基于盲源分离的机械噪声故障诊断技术研究”(5001004)以及福建炼化集团、衢州巨化集团具体应用项目展开，以旋转机械故障信号为研究对象，研究了基于幅域分析、时域分析以及以傅里叶变换(FT)为核心的故障特征提取方法；研究了基于短时傅里叶变换、小波变换和EMD时频分析方法的故障时频特征提取方法；通过仿真和实验研究，分析各种故障特征提取方法的性能特点；并在C++build5和matlab6.1平台下开发了一个旋转机械故障特征提取软件系统。全文的主要研究内容如下： 第一章介绍了旋转机械故障诊断技术的概况；综述了旋转机械故障特征提取技术的方法和研究现状；最后，提出了论文的研究目标，概括了论文的研究内容，并给出论文的总体框架。 第二章研究了传统的基于幅域分析、时域分析以及以傅里叶变换(FT)为核心的故障特征提取方法的一些基本概念和方法，总结了该类方法的特点。 第叁章研究了小波变换理论和方法，分析了小波变换在旋转机械故障特征提取中的应用特点。并通过小波变换对仿真信号和实际的旋转机械振动信号进行分析处理，验证了小波变换方法在旋转机械故障特征提取中的有效性。 第四章介绍了基于EMD时频分析方法的基本概念和算法。研究了EMD方法中存在的一个重要的问题——端点效应问题，采用基于短数据序列的直接延拓技术，以此来降低端点效应的影响，并得出了分析结论。最后对一个实际的旋转机械振动信号进行了基于EMD时频分析方法的分析，证明了用基于EMD的时频分析方法来提取旋转机械故障振动信号的特征是有效的。 第五章应用FFT、短时傅里叶变换、小波变换和基于EMD的时频分析方法对本实验室的Bently转子试验台所采集的转子四种故障：转子不平衡、不对中、油膜涡动和转子横向裂纹的振动信号进行信号处理和故障特征提取，并主要对短时傅里叶变换、小波变换和基于EMD的时频分析方法进行了比较研究，得出了分析结论。 第六章结合Matlab和C++ Builder的优点，采用混合编程的方式开发了一个集信号的幅域分析、时域分析、傅氏频谱分析、倒频谱分析、短时傅里叶变换、小波变换和基于EMD时频分析方法的旋转机械故障特征提取软件系统。 第七章对全文进行总结，并对今后的工作提出了展望。
张璇[7]2008年在《基于小波包和EMD的滚动轴承故障信号分析》文中研究说明滚动轴承既是旋转机械中的最常用部件之一,又是极易发生损伤的元件,对滚动轴承的故障诊断研究具有重要的现实意义。在故障诊断过程中,从故障振动信号中提取故障特征是故障诊断技术的关键,而现代信号处理技术的运用在特征提取过程中发挥着核心的作用。对于滚动轴承振动信号一类的非平稳、非线性信号,传统时频分析方法都具有各种各样的局限性。本文首先分析了如短时傅立叶变换、Wigner—Ville分布、小波变换等时频分析方法的特点与局限。随后通过对瞬时频率、内模函数、Hilbert谱等基本概念的介绍,对由美籍华人N.E.Huang等人提出的经验模态分解方法(Empirical Mode Decomposition)的原理和算法进行了详细说明,揭示了EMD分解方法将信号分解成一系列单分量成分,并通过Hilbert变换这一有效桥梁,反映信号频率、幅值的局部瞬时变化规律的本质,验证了EMD方法自适应性、多分辨率、完备性等优势特点。本文还针对经验模态分解在实际应用中存在的模式混迭、在低频段产生多余IMF分量等问题,通过外部、内部两种小波分析与EMD方法的结合,对EMD筛分方法进行了改进。其中外部结合方法,利用小波去噪优势,在滤除干扰噪声的基础上与EMD方法结合,有效解决了EMD方法受噪声干扰的问题;内部结合方法,以内模函数定义为出发点,创新性地提出了一种基于小波包的筛分方法(Wavelet Packet Based Sifting,WPBS),该方法不但规避了采用叁次样条拟合包络线所引起的一系列问题,还提高了信号的分解效率和精度,对噪声干扰也有一定的抑制作用。通过仿真信号和滚动轴承故障振动信号的检验,证明了小波包与EMD结合方法的可行性和有效性。
王磊[8]2011年在《基于HHT与神经网络的旋转机械故障诊断研究》文中研究说明旋转机械是航空、电力、化工等众多领域的关键设备，所以对其进行故障诊断研究具有重要的现实意义。而随着振动检测和信号处理等相关技术的不断发展，以振动信号检测、处理和分析为基础的故障诊断技术已成为故障诊断领域一个重要的研究方向，同时神经网络、遗传算法等理论的发展也为故障诊断技术的研究和应用开辟了一条崭新的途径。本文详细介绍了Hilbert-Huang变换（简称HHT）方法以及神经网络等相关内容。一方面，介绍了HHT方法的基本原理和实现过程，并分析了该方法存在的端点效应和虚假模态问题；另一方面，介绍了BP神经网络和遗传算法的基本理论，并研究了遗传算法优化BP网络的过程，即针对BP网络的不足采用遗传算法进行优化。同时，为研究旋转机械的故障诊断问题，采用多功能转子试验台模拟旋转机械的常见故障，并运用HHT方法对各故障信号进行处理和分析，在此基础上，利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点，将模糊熵理论引入到故障诊断领域，并提出了一种基于EMD和模糊熵相结合的特征向量提取方法，同时将它用于转子故障的特征提取中，证明了该特征提取方法的可行性和有效性。最后，综合地运用HHT方法和经遗传算法优化的BP神经网络进行转子系统的故障诊断研究。提取转子系统常见故障的特征量，再将该特征量输入到经遗传算法优化的BP网络模型中进行故障诊断，结果表明上述方法应用在转子系统故障诊断中能够取得较好的效果。
张菲[9]2016年在《基于LMD和HSMM的旋转机械故障诊断方法研究》文中认为随着科学技术的不断提高,旋转机械工作强度不断增大,为保证设备系统能够安全、可靠、高效地运行,避免造成巨大的经济损失和重大事故的发生,以旋转机械为研究对象,进行状态监测和故障诊断研究,具有非常重要而现实的意义。针对传统的时频分析方法(如短时傅立叶变换、小波与小波包变换)存在时间和频率的分辨率互相牵制、信号分解缺乏自适应性的不足,和传统的模式识别方法(如人工神经网络)局限于静态模式识别上的问题,本文引入最新的时频分析方法局部均值分解(Local Mean Decomposition, LMD)和发展较快的动态模式识别方法隐半马尔科夫模型(Hidden Semi-Markov Model, HSMM)。LMD能够基于信号本身,自适应地将一个多分量信号分解成一系列单分量的乘积函数(Product Function, PF)之和,每个乘积函数由一个纯调频函数和一个包络函数相乘而得,将所有乘积函数的瞬时频率和幅值相组合,便能够完整地呈现出原始信号的时频分布。HSMM基于时间跨度上的动态信息进行建模分类,非常适用于分析一些信息量较大、非平稳、特征重复再现性较差的信号,且具有训练样本少、训练速度快、分类识别能力强的特点。因此,本文利用LMD和HSMM相结合的方法对旋转机械进行状态监测与故障诊断。首先,本文论述了旋转机械故障诊断技术的发展概况,介绍了LMD方法相关概念、基本理论和算法,并将其与EMD (Empirical Mode Decomposition, EMD)方法进行对比,通过仿真分析验证了LMD处理非平稳信号的优越性。在此基础上,提出了一种基于小波包降噪与LMD分解相结合的特征提取方法,先采用小波包降低噪声的影响,再进行LMD分解,并对分解得到的PF分量进行相关性分析,选取有效PF分量进行时、频域特征参数提取。通过仿真分析和对实际信号的处理,验证了该方法的有效性。然后,本文研究了基于HSMM的机械设备状态监测与故障诊断方法,并针对基本算法中存在的部分问题进行了改进。提出了基于LMD和HSMM相结合的旋转机械状态监测与故障诊断方法,并将其成功应用于滚动轴承故障诊断中。实验结果表明,HSMM模型训练速度快,识别精度高,利用LMD和HSMM相结合的方法能够有效地识别出滚动轴承的运行状态,且能够保证故障诊断的实时性和准确性。最后,本文进一步采用LMD和HSMM相结合的方法对机械密封端面膜厚状态进行模式识别,识别效果较为理想,验证了该方法应用于旋转机械状态监测与故障诊断的有效性和适用性。为了验证HSMM模型用于状态监测与故障诊断的优势,本文又利用同样的信号特征,将HSMM模型和应用广泛的BP神经网络的识别效果进行了对比分析,分析结果表明,HSMM训练速度比BP神经网络更快,且识别精度更高,将HSMM应用于旋转机械的状态监测与故障诊断中更具优势,具有更广泛的应用前景。
陈艳娜[10]2013年在《基于EEMD的旋转机械故障诊断方法研究》文中研究指明旋转机械设备是工业生产中的关键设备，它的运行状态关系着企业的安全生产和经济效益，因此，对其进行状态监测与故障诊断有重要的意义。旋转机械设备发生故障时，会产生异常振动。它的振动信号中含有丰富的机器信息，因而对其振动信号进行分析，进而判断故障类型是一种行之有效的方法。旋转机械故障振动信号大多数都是非线性、非平稳的，传统的信号分析方法已经不能满足故障振动信号处理的要求，因此，有必要选择恰当的适合非线性、非平稳信号分析的信号处理方法。时频分析方法能够同时提供振动信号时域和频域的信息，因而被广泛应用于旋转机械故障诊断中。本文介绍了常用的时频分析方法，如短时傅里叶变换、Wigner-Ville分布、小波变换等。这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足。Huang提出的自适应时频分析方法Hilbert-Huang变换对于处理非线性、非平稳的信号处理效果较传统的时频分析方法更能凸显信号的局部特征。但Hilbert-Huang变换中的经验模式分解存在模态混迭的问题，Huang又提出了一种噪声辅助分析的方法——总体平均经验模式分解，简称为EEMD。本文主要研究基于EEMD的旋转机械故障诊断方法，首先对EEMD算法原理进行深入研究，并对其抗模态混迭性能进行分析。针对EEMD算法中参数设置问题，提出了加入白噪声的能量标准差法。同时采用基于相关系数的方法来提取有效本征模式分量，有效去除了EEMD分解过程中产生的虚假模式分量。本文还研究了旋转机械两个重要元件滚动轴承和齿轮的故障振动机理及故障信号特征。根据滚动轴承、齿轮的故障模型，模拟仿真验证了算法的有效性。并对实际的滚动轴承和齿轮振动信号应用改进EEMD算法进行处理，同时应用基于改进EEMD算法的包络谱分析方法及计算本征模式分量奇异值熵的方法进行故障诊断仿真。并基于MATLAB设计时频谱图分析方法以及改进EEMD算法诊断系统界面，可以对结果更直观的进行观察、分析。
参考文献：
[1]. 面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D]. 胡劲松. 浙江大学. 2003
[2]. 基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮. 重庆大学. 2016
[3]. 局部特征尺度分解方法及其在机械故障诊断中的应用研究[D]. 郑近德. 湖南大学. 2014
[4]. 基于局域均值分解的旋转机械故障特征提取方法及系统研究[D]. 任达千. 浙江大学. 2008
[5]. 油气初加工装置旋转设备中轴承故障特征提取方法研究[D]. 曹莹. 东北石油大学. 2016
[6]. 旋转机械故障特征提取技术及其系统研究[D]. 张韧. 浙江大学. 2004
[7]. 基于小波包和EMD的滚动轴承故障信号分析[D]. 张璇. 北京化工大学. 2008
[8]. 基于HHT与神经网络的旋转机械故障诊断研究[D]. 王磊. 南京航空航天大学. 2011
[9]. 基于LMD和HSMM的旋转机械故障诊断方法研究[D]. 张菲. 西南交通大学. 2016
[10]. 基于EEMD的旋转机械故障诊断方法研究[D]. 陈艳娜. 哈尔滨理工大学. 2013
标签：自动化技术论文; 故障诊断论文; 时频分析论文; 特征提取论文; 仿真软件论文; 机械振动论文; 模态分析论文; 旋转变换论文; 特征分解论文; 振动频率论文; emd论文;