發(fā)布時間：2018-04-04 21:16

  本文選題：多尺度分析　切入點：非線性分析　出處：《中國科學技術(shù)大學》2015年博士論文

【摘要】：本論文以旋轉(zhuǎn)機械設(shè)備的精確故障診斷為目標,著眼于多尺度非線性分析在設(shè)備狀態(tài)監(jiān)測與故障診斷中的應(yīng)用研究,通過分析正在發(fā)展中的基于時頻分析的多尺度方法和隨機共振與流形學習等兩種典型的非線性分析方法在該領(lǐng)域的研究現(xiàn)狀和存在的問題,把這兩種之前相互獨立的研究相互結(jié)合,實現(xiàn)優(yōu)勢互補,并統(tǒng)一在了一個研究體系之下,即采用多尺度非線性分析方法增強設(shè)備狀態(tài)特征,分三個部分就有關(guān)問題進行了深入的研究。 第一部分是基于多尺度隨機共振分析的方法及其在旋轉(zhuǎn)機械微弱狀態(tài)特征增強上的應(yīng)用研究。以設(shè)備測量信號原始包絡(luò)為處理對象,分析了信號中噪聲的有色性和故障特征的微弱性及頻率高的特點,引入隨機共振的方法,根據(jù)信號在多個尺度上的噪聲對系統(tǒng)輸出的影響,提出了一種新的多尺度噪聲調(diào)節(jié)隨機共振(MSTSR)方法。新方法能調(diào)節(jié)并優(yōu)化噪聲分布模型,從而實現(xiàn)在固定噪聲水平和類型情況下微弱大頻故障特征的增強。研究構(gòu)造了一種新的加權(quán)功率譜峭度(WPSK)指標,用以評估MSTSR系統(tǒng)輸出的效果,從而在無先驗知識情況下優(yōu)化該方法中的參數(shù),自適應(yīng)輸出最優(yōu)增強結(jié)果。進一步改進了MSTSR方法中的多尺度噪聲調(diào)節(jié)方式,并拓展了其在多瞬態(tài)故障診斷中的應(yīng)用,改進方法可以對多頻待測信號依次單獨增強,排除了相互之間的干擾。 第二部分是基于多尺度流形學習分析的方法及其在設(shè)備狀態(tài)本質(zhì)特征挖掘中的應(yīng)用研究。以設(shè)備原始測量信號為處理對象,通過結(jié)合相空間重構(gòu)(PSR)和連續(xù)小波變換(CWT),構(gòu)造了包含信號非平穩(wěn)信息的高維多尺度相空間,把流形學習應(yīng)用于高維相空間中,提取出了一種新的時間尺度流形(TSM)標簽,用以表征設(shè)備的本質(zhì)狀態(tài)特征。從TSM中提取脊線以直接解調(diào)出故障特征頻率,并提出了一種脊線替換解調(diào)方法增強帶內(nèi)噪聲去除效果。此外,通過利用流形學習非線性地結(jié)合了信號在多個特征尺度上的小波包絡(luò),提取出了一種新的多尺度包絡(luò)流形(MEM)特征,獲得故障脈沖的真實包絡(luò)結(jié)構(gòu)。本文提出的基于多尺度流形學習的解調(diào)方法在實際軸承和齒輪箱故障診斷的應(yīng)用中顯示了與傳統(tǒng)包絡(luò)分析方法相比的優(yōu)越性。 第三部分是基于多尺度非線性分析的軌邊聲學信號處理方法及其在軌道列車軸承軌邊聲學故障診斷中的應(yīng)用研究。以軸承軌邊聲學信號為分析對象,首先提出了基于時頻分布(TFD)瞬時頻率估計的信號動態(tài)重采樣方法去除原始信號中的多普勒效應(yīng),然后引入MSTSR方法增強多普勒效應(yīng)去除后包絡(luò)信號中的微弱故障特征頻率。分析了軌邊聲學信號中可能存在的雙調(diào)制現(xiàn)象,提出了一種變分辨率脊線解調(diào)(VRRD)方法直接從軌邊聲學信號中提取故障脈沖的包絡(luò),接著對包絡(luò)信號進行動態(tài)重采樣以直接恢復(fù)出故障特征頻率,最后通過對數(shù)變換和分段線性趨勢去除方法,壓制可能存在的低頻調(diào)制現(xiàn)象并去除低頻非線性趨勢。仿真和實驗分析的結(jié)果表明所提方法能從列車軸承軌邊聲學信號中提取出無多普勒效應(yīng)且信噪比提升的故障特征頻率。 此外,以上研究都建立在了仿真和實驗驗證基礎(chǔ)之上。本論文根據(jù)研究對象和所采用方法的不同構(gòu)造了不同的仿真模型,所分析的實驗數(shù)據(jù)包括具有齒輪磨損故障的齒輪箱振動信號、具有各種局部故障的不同型號軸承的振動／聲學信號以及具有局部故障的軌道列車軸承軌邊聲學信號。本論文的研究表明,多尺度非線性分析能夠增強設(shè)備狀態(tài)特征,對旋轉(zhuǎn)機械精確故障診斷具有非常重要的意義。
[Abstract]:This paper focuses on the application of multi - scale nonlinear analysis in equipment state monitoring and fault diagnosis based on the precise fault diagnosis of rotating mechanical equipment . Through the analysis of two typical nonlinear analysis methods based on time - frequency analysis and stochastic resonance and manifold learning , this paper studies the present situation and existing problems in this field .

The first part is a method of multi - scale random resonance analysis and its application in the enhancement of weak state characteristics of rotating machinery . A new method of multi - scale noise adjustment stochastic resonance ( MSTSR ) is proposed based on the original envelope of equipment measurement signal . A new method of multi - scale noise regulation stochastic resonance ( MSTSR ) is proposed .

The second part is based on the method of multi - scale manifold learning analysis and its application in the mining of equipment status . Based on the original measurement signal of the equipment as the processing object , a new multi - scale multi - scale phase space is constructed by combining the phase space reconstruction ( PSR ) and the continuous wavelet transform ( CWT ) . A new time - scale manifold ( TSM ) tag is extracted to characterize the essential state of the equipment .

A signal dynamic re - sampling method based on multi - scale nonlinear analysis and its application in the acoustic fault diagnosis of rail train bearings is presented . A signal dynamic re - sampling method based on time - frequency distribution ( TFD ) instantaneous frequency estimation is proposed to remove the Doppler effect in the original signal .

In addition , the above research is based on the simulation and experimental verification . According to the research object and the different methods used in this paper , different simulation models are constructed . The experimental data analyzed include the gear box vibration signal with gear wear failure , the vibration / acoustic signal of different types of bearings with various local faults , and the track side acoustic signal of the track train bearing with local faults . The research of this paper shows that the multi - scale nonlinear analysis can enhance the state characteristics of the equipment and has very important significance for the precise fault diagnosis of the rotating machinery .

【學位授予單位】：中國科學技術(shù)大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TH165.3

【參考文獻】

相關(guān)期刊論文 前10條

1 俞悟周;王晨;毛東興;王佐民;姜在秀;萬雯;;高速鐵路動車組列車的噪聲特性[J];環(huán)境污染與防治;2009年01期

2 陽建宏;徐金梧;楊德斌;黎敏;;基于主流形識別的非線性時間序列降噪方法及其在故障診斷中的應(yīng)用[J];機械工程學報;2006年08期

3 郝如江;盧文秀;褚福磊;;滾動軸承故障信號的多尺度形態(tài)學分析[J];機械工程學報;2008年11期

4 秦毅;秦樹人;毛永芳;;基于小波脊線的解調(diào)方法及其在旋轉(zhuǎn)機械故障診斷中的應(yīng)用[J];機械工程學報;2009年02期

5 陳敏;胡蔦慶;秦國軍;安茂春;;參數(shù)調(diào)節(jié)隨機共振在機械系統(tǒng)早期故障檢測中的應(yīng)用[J];機械工程學報;2009年04期

6 王國彪;何正嘉;陳雪峰;賴一楠;;機械故障診斷基礎(chǔ)研究“何去何從”[J];機械工程學報;2013年01期

7 張熠卓;徐光華;梁霖;;基于非線性流形學習的喘振監(jiān)測技術(shù)研究[J];西安交通大學學報;2009年07期

8 李曉磊,邵之江,錢積新;一種基于動物自治體的尋優(yōu)模式:魚群算法[J];系統(tǒng)工程理論與實踐;2002年11期

9 ;Demodulation Based on Harmonic Wavelet and Its Application into Rotary Machinery Fault Diagnosis[J];Chinese Journal of Mechanical Engineering;2009年03期

10 邊海龍;陳光，

本文編號：1711715