發(fā)布時(shí)間：2020-05-04 18:03

【摘要】：旋轉(zhuǎn)機(jī)械是工業(yè)部門中應(yīng)用最為廣泛的一類機(jī)械設(shè)備。因而其故障診斷具有重要的現(xiàn)實(shí)意義。旋轉(zhuǎn)機(jī)械故障診斷的關(guān)鍵是從旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)中提取故障特征,信號(hào)分析和處理是特征提取最常用的方法。由于大多數(shù)旋轉(zhuǎn)機(jī)械故障振動(dòng)信號(hào)是非平穩(wěn)信號(hào),因此有必要選擇恰當(dāng)?shù)倪m合于非平穩(wěn)信號(hào)分析的信號(hào)處理方法。 由于時(shí)頻分析方法能同時(shí)提供振動(dòng)信號(hào)的時(shí)域和頻域信息,因而在旋轉(zhuǎn)機(jī)械故障診斷中應(yīng)用最為廣泛。本文比較了三種經(jīng)典的頻譜分析方法：短時(shí)傅立葉變換、希爾伯特變換和小波變換。本文證明了當(dāng)使用典型的小波基時(shí),這三種方法在形式上(即在數(shù)學(xué)上)實(shí)際是等價(jià)的,并且只要分析參數(shù)相互匹配,其結(jié)果在本質(zhì)上也是相同的。這一等價(jià)性適用于相位、振幅、以及所有由時(shí)-頻復(fù)數(shù)表達(dá)式衍生出來的物理量。本文還以頻譜振幅為例,說明了短時(shí)傅立葉變換、希爾伯特變換和小波變換在振動(dòng)信號(hào)分析中的實(shí)際應(yīng)用。理論和實(shí)驗(yàn)表明在采用任何一種時(shí)頻分析方法時(shí),最具決定性的是尋找或者選擇恰當(dāng)?shù)臅r(shí)間-頻率分辨率,通過控制濾波器核(時(shí)域)或傳遞函數(shù)(頻域)達(dá)到優(yōu)化的分析結(jié)果。 然而,傳統(tǒng)的時(shí)頻分析方法(信號(hào)與預(yù)先設(shè)定的基函數(shù)卷積)具有一定的局限性。因?yàn)轭A(yù)先設(shè)定的基函數(shù)不可能自動(dòng)適應(yīng)數(shù)據(jù)源的多樣性,與基函數(shù)不匹配的數(shù)據(jù)都將自動(dòng)地被賦予對(duì)應(yīng)基函數(shù)的各次諧波。同時(shí),卷積過程包含著積分,因此結(jié)果因不確定性原理而具有局限性。最近,N. E. Huang等人首次提出了一種處理非平穩(wěn)信號(hào)的時(shí)頻分析方法——希爾伯特-黃變換(Hilbert-Huang Transform, HHT),它包括經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)和Hilbert變換兩部分。該方法不受傅立葉分析的局限,是一種更具適應(yīng)性的時(shí)頻局部化分析方法。盡管這種方法被實(shí)踐證明具有引人注目的有效性,但是由于EMD方法不是經(jīng)嚴(yán)格的數(shù)學(xué)分析推導(dǎo)得到的,而是依據(jù)實(shí)驗(yàn)研究提出的算法。因此,EMD方法目前仍然存在諸如內(nèi)模函數(shù)分量篩選判據(jù)、端點(diǎn)效應(yīng)和模式混疊等主要問題有待解決或改進(jìn)。為了防止內(nèi)模函數(shù)“過分解”,本文提出了允許包絡(luò)均值曲線在整個(gè)數(shù)據(jù)長度上小波動(dòng),同時(shí)局部上又允許大波動(dòng)的篩選判據(jù),并通過引入線性趨勢項(xiàng)較好地解決了內(nèi)模函數(shù)的過分解問題；在運(yùn)用EMD方法對(duì)非平穩(wěn)信號(hào)進(jìn)行分解時(shí),在數(shù)據(jù)的兩端會(huì)產(chǎn)生發(fā)散現(xiàn)象,并且這種發(fā)散的結(jié)果會(huì)逐漸向內(nèi)“污染”整個(gè)數(shù)據(jù)序列而使得分解結(jié)果嚴(yán)重失真。本文提出了修正內(nèi)模函數(shù)分量的方法,較好地抑制了端點(diǎn)效應(yīng)；EMD方法存在的另一個(gè)主要問題是模式混疊(一個(gè)內(nèi)模函數(shù)分量包含有顯著不同頻率或尺度的局部振蕩),原先的解決辦法是以一個(gè)主觀判斷的頻率或尺度范圍進(jìn)行檢測控制,盡管此方法在多數(shù)情況下奏效,但降低了算法的自適應(yīng)性。本文通過引入中間頻率提高原信號(hào)中各個(gè)分量的頻率比,較好地解決了EMD的模式混疊問題。 滾動(dòng)軸承和齒輪振動(dòng)信號(hào)均呈現(xiàn)調(diào)制特征及含有大量噪聲。因此,對(duì)測得的振動(dòng)信號(hào)進(jìn)行解調(diào)是滾動(dòng)軸承和齒輪故障診斷的關(guān)鍵。傳統(tǒng)的包絡(luò)解調(diào)技術(shù)需要預(yù)先設(shè)計(jì)一帶通濾波器,其中心頻率為某一元件固有頻率,然后對(duì)原信號(hào)進(jìn)行帶通濾波。但有時(shí)會(huì)出現(xiàn)時(shí)域相加信號(hào)的頻率成分在調(diào)制邊頻帶附近不被濾除的情況,從而在解調(diào)譜上出現(xiàn)誤診斷或無法分析的頻率成分。本文在建立滾動(dòng)軸承和齒輪振動(dòng)信號(hào)的簡化數(shù)學(xué)模型基礎(chǔ)上,提出了基于EMD的波形參數(shù)分析法和基于HHT的共振解調(diào)法診斷滾動(dòng)軸承和齒輪故障的幾種方法。仿真模擬和互聯(lián)網(wǎng)上公開的實(shí)驗(yàn)數(shù)據(jù)分析表明,這些方法具有更強(qiáng)的自適應(yīng)性,能夠有效地提取滾動(dòng)軸承和齒輪的時(shí)域和頻域的故障特征參數(shù),進(jìn)一步提高了故障診斷的準(zhǔn)確率。
【圖文】：

+ exp[- {t — 600)212700]cos(5000;zr /7)+exp[- {t - 800)2 / 3200]cos(5000;z/ / 4.7)從圖2-2中可以看出，軸承振動(dòng)仿真信號(hào)的三種時(shí)-頻幅度圖具有較高的相似性。對(duì)實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證也證明了這一點(diǎn)。圖2-3中的原始信號(hào)為電機(jī)風(fēng)機(jī)端軸承振動(dòng)加速度信號(hào)，對(duì)其進(jìn)行傅立葉、小波和希爾伯特變換也都獲得相同的效果。f \||||Y"-,|||||‘ '^0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.16 0.2? ‘ 「 - T ^ r,Ti ‘ ‘ ‘ ‘ 「2 a;!(f 0.5- 丨1||_4、 -I。！ —….J'l i i!Hftv-.. ...., 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.ie 0.2I 1| 1 I I I ‘ ‘ ‘0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2考 i| ‘ ‘ ‘ Jjlji ‘ ‘ ‘ ‘ ‘II I —-…‘.jiflii..0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2titTte/s圖2-2三種時(shí)頻分析方法的頻譜振幅比較（仿真信號(hào)）Fig. 2-2 Comparison of Spectral Amplitude (Simulated Signal)第一行為軸承故障仿真振動(dòng)信號(hào)，第二行到第四行分別為對(duì)其分別進(jìn)行傅立葉、小波和希爾伯特

令上式的/i和/2分別取50Hz和lOHz，且/e[0，，l],信號(hào)的懫樣頻率為lOOOHz。對(duì)這個(gè)信號(hào)直接執(zhí)行經(jīng)驗(yàn)?zāi)B(tài)分解算法的處理結(jié)果如圖3-11所示。由圖可見，由于端點(diǎn)效應(yīng)問題，僅有兩個(gè)諧波信號(hào)成分的原信號(hào)分解出4個(gè)IMF分量。并且第一個(gè)IMF分量和第二個(gè)IMF分量的端點(diǎn)附近都有明顯的發(fā)散現(xiàn)象，呈現(xiàn)出越分解端點(diǎn)效應(yīng)越嚴(yán)重，以至于導(dǎo)致“過分解”現(xiàn)象。根據(jù)圖3-10所示的流程圖，在獲得IMF分量雛形后，通過分析其特征，應(yīng)用合適的方法將其邊界進(jìn)行修正。修正IMF分量可以應(yīng)用的方法有，特征波鏡像、特征波平移、神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、ARMA模型重構(gòu)等方法。對(duì)于不同特征的IMF分量
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2006
【分類號(hào)】：TH165.3


本文編號(hào)：2648781