基于稀疏表示和壓縮感知的旋轉機械故障識別方法

發(fā)布時間：2020-10-29 18:32

　　齒輪和軸承作為汽車變速器和風電齒輪箱等機械設備的重要組成部分,在復雜多變的工況下極容易發(fā)生平穩(wěn)型故障和沖擊型故障,如何快速準確地對故障進行識別和實時監(jiān)控成為當下熱點問題。本文以信號的稀疏性為基礎,對信號的稀疏表示和壓縮感知的理論及其在故障診斷識別方面的應用做了相關研究。提出了基于K-SVD和滑窗降噪的稀疏表示SWD-KSVD算法,用以診斷滾動軸承沖擊型故障。該算法利用稀疏表示中字典訓練常用的K-SVD算法對包含沖擊的一小段時域信號進行學習并重構該段信號,通過滑窗方式以方差為標準選擇出僅包含一個沖擊的最優(yōu)“模式”,再將最優(yōu)“模式”在整個故障信號上做滑窗內積運算,尋找沖擊發(fā)生時刻并進行沖擊重構,實現(xiàn)滾動軸承故障特征的提取。由于該算法只使用一個本身較短的最優(yōu)“模式”且進行了最優(yōu)遴選和相關分析,故對沖擊形態(tài)的還原度較高,相位還原較精確,提取故障特征的速度較快,抗噪性較強。仿真和實驗表明,該算法有效地提取了汽車變速器滾動軸承沖擊型故障特征。將自適應懲罰因子算法嵌入到ADMM算法中進行改進,并應用于齒輪沖擊型和復合型故障的壓縮感知欠采樣識別中。該算法結合故障的特點,構造了小波字典和調制諧波字典的雙字典體系,分別對平穩(wěn)調制成分和沖擊調制成分進行有效重構,并在此基礎上使用外推法使算法加速,嵌入懲罰因子自適應更新算法,使算法的收斂性和稀疏性都得到增強。通過對比不同重構算法的重構誤差和ADMM算法改進前后的重構成功率,表明該算法采用的小波字典對沖擊型故障較為敏感且對故障特征頻率還原較為準確,平穩(wěn)型諧波字典憑借其明確的物理意義也能有效地表示出信號特征;雙字典在提取故障特征時由于出現(xiàn)耦合的現(xiàn)象,加之噪聲的影響,導致重構的精確度不如單字典沖擊型故障的ADMM算法。仿真表明單字典算法在10%的壓縮率和噪比為-5dB以上、雙典在20%的壓縮率且信噪比為0dB以上時均能有效識別故障;實驗表明單字典和雙字典算法分別能夠在10%和20%的壓縮率下有效識別故障。
【學位單位】：華南理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH133
【部分圖文】：

軸承內圈,故障仿真,時域,信號

1 cos2nizf dfD (3-6)2221 cos2nrf D dfd D (3-7)其中nf 是故障軸承所在軸的轉頻，d 是軸承滾動體直徑，D 是滾動軸承節(jié)徑，z 表示軸承所含滾動體個數(shù)，表示接觸角。(1) 不考慮滾動體滑移和轉速輕微波動的情況為使仿真更貼近與實際信號，模擬了型號為 NUP311EN 的軸承參數(shù)，具體為D 85mm， z 13， d 18mm， 0 。當轉速為 600rpm 時，相應轉頻nf =10Hz，根據(jù)式(3-5)至(3-7)，軸承各部件的故障特征頻率分別為of =51.24Hz，if =78.76Hz，rf =22.5Hz。假設激起的兩階模態(tài)參數(shù)為d1f =2500Hz，1 =0.08 和d2f =6000Hz，2 =0.05。設定采樣頻率sf =20000Hz，采樣時長sT =1s，按式(3-4)生成軸承內圈故障模擬信號。

模式圖,滑窗,模式,方差

a) 滑窗“模式”方差圖 b) 0dB 噪聲選擇出的0γ圖 3-2 通過滑窗得到“模式”的方差遴選最優(yōu)“模式”為驗證不同在起始點進行滑窗 K-SVD 得到的“模式”之間的差異，選出圖 3-2 a)中紅圈圈出的幾個起始點得出的“模式”加以對比，它們代表了除最大值之外的兩個較大的峰值點（第 2540 和 2800 點）、介于兩個大峰值點之間的局部峰值點（2420 點）以及局部最小值點（第 2120 點）。具體“模式”的形態(tài)如圖 3-3 所示。a) 以第 2540 點為起始點 b) 以第 2800 點為起始點

形態(tài)圖,滑窗,起始點,模式