【摘要】：旋轉(zhuǎn)機械作為廣泛使用的生產(chǎn)機械,在石化、冶金、鐵路等行業(yè)扮演著重要的角色,研究旋轉(zhuǎn)機械故障特征提取技術(shù)對于保障機械設(shè)備運行的可靠性具有重要的現(xiàn)實意義。由于旋轉(zhuǎn)機械惡劣的工作環(huán)境及設(shè)備內(nèi)部各零部件之間相互耦合的關(guān)系,故障特征極易被淹沒。因此,強噪聲背景下如何準(zhǔn)確有效地提取故障特征是旋轉(zhuǎn)機械故障診斷領(lǐng)域研究不懈追求的目標(biāo)。本論文以旋轉(zhuǎn)機械為對象,開展了故障特征提取的系列方法研究,具體為:強噪聲背景下,旋轉(zhuǎn)機械振動信號通常呈現(xiàn)非線性和非平穩(wěn)性,采集值通常會偏離真實值,為后續(xù)分析帶來困難。針對此類問題,提出一種一層核回歸殘余分解增強同步提取變換的故障特征提取方法。該方法利用一層核回歸殘余分解從原始振動信號中提取包含故障信息的高頻信號,進而利用同步提取變換對高頻信號消噪,最后利用希爾伯特包絡(luò)解調(diào)出故障特征頻率。針對傳統(tǒng)時頻方法如經(jīng)驗?zāi)Ｊ椒纸�、局部均值分解和固有時間尺度分解等在信號分解過程中存在的問題,如模態(tài)混疊、端點效應(yīng)、信號突變和信號失真等,提出一種基于核回歸殘余信號的優(yōu)化固有時間尺度分解故障特征提取方法。將該方法應(yīng)用于故障軸承和齒輪,結(jié)果表明該方法克服傳統(tǒng)時頻方法不足的同時取得了滿意的故障特征提取效果。針對故障診斷中信號分解分量選取依賴經(jīng)驗的問題,引入峭度指標(biāo)并提出了基于變分模式分解、峭度指標(biāo)和最小熵解卷積的故障特征提取方法。該方法利用峭度指標(biāo)選取包含故障信息的最優(yōu)分解分量,進而利用最小熵解卷積增強其周期性沖擊特征,成功地實現(xiàn)了對旋轉(zhuǎn)機械故障的可靠識別。針對變分模態(tài)分解在故障特征提取方面的不足,引入自回歸模型并提出一種自回歸模型增強變分模態(tài)分解的旋轉(zhuǎn)機械故障特征提取方法。該方法利用變分模態(tài)分解將原始信號分解為一系列包含故障信息的旋轉(zhuǎn)分量,然后對每個分解分量應(yīng)用自回歸模型作進一步提純。通過工程應(yīng)用實現(xiàn)了旋轉(zhuǎn)機械中關(guān)鍵零部件故障的準(zhǔn)確診斷,且較傳統(tǒng)的變分模態(tài)分解擁有更高的準(zhǔn)確度。
【圖文】：

MFS-MG平臺Fig.2-3TheMFS-MGplatform

圖 2-4 軸承和齒輪常見故障Fig. 2-4 The common faults of bearing and gear含內(nèi)圈故障的軸承，采集數(shù)據(jù)點總數(shù)為 8192。軸承內(nèi)圈故障頻率：dbfBfNBPFI 1cos4.9484 （
【學(xué)位授予單位】：溫州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TH133

【參考文獻】

相關(guān)期刊論文 前5條

1 李慶忠;劉清;;基于小波變換的低照度圖像自適應(yīng)增強算法[J];中國激光;2015年02期

2 李志農(nóng);朱明;褚福磊;肖堯先;;基于經(jīng)驗小波變換的機械故障診斷方法研究[J];儀器儀表學(xué)報;2014年11期

3 王芳;季忠;彭承琳;;基于雙樹復(fù)小波變換的心電信號去噪研究[J];儀器儀表學(xué)報;2013年05期

4 張建民,徐小力,許寶杰,王紅軍;面向機電系統(tǒng)狀態(tài)監(jiān)測與故障診斷的現(xiàn)代技術(shù)[J];北京理工大學(xué)學(xué)報;2004年09期

5 冷永剛,王太勇,李瑞欣,彭永勝,鄧學(xué)欣;變尺度隨機共振用于電機故障的監(jiān)測診斷[J];中國電機工程學(xué)報;2003年11期

相關(guān)博士學(xué)位論文 前1條

1 武哲;旋轉(zhuǎn)機械故障診斷與預(yù)測方法及其應(yīng)用研究[D];北京交通大學(xué);2016年

，

本文編號：2673525