【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)械故障振動信號中提取故障特征,信號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)械故障振動信號是非平穩(wěn)信號,因此有必要選擇恰當(dāng)?shù)倪m合于非平穩(wěn)信號分析的信號處理方法。 由于時頻分析方法能同時提供振動信號的時域和頻域信息,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,這三種方法在形式上(即在數(shù)學(xué)上)實際是等價的,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。這一等價性適用于相位、振幅、以及所有由時-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,說明了短時傅立葉變換、希爾伯特變換和小波變換在振動信號分析中的實際應(yīng)用。理論和實驗表明在采用任何一種時頻分析方法時,最具決定性的是尋找或者選擇恰當(dāng)?shù)臅r間-頻率分辨率,通過控制濾波器核(時域)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)的時頻分析方法(信號與預(yù)先設(shè)定的基函數(shù)卷積)具有一定的局限性。因為預(yù)先設(shè)定的基函數(shù)不可能自動適應(yīng)數(shù)據(jù)源的多樣性,與基函數(shù)不匹配的數(shù)據(jù)都將自動地被賦予對應(yīng)基函數(shù)的各次諧波。同時,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)信號的時頻分析方法——希爾伯特-黃變換(Hilbert-Huang Transform, HHT),它包括經(jīng)驗?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)性的時頻局部化分析方法。盡管這種方法被實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)實驗研究提出的算法。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)均值曲線在整個數(shù)據(jù)長度上小波動,同時局部上又允許大波動的篩選判據(jù),并通過引入線性趨勢項較好地解決了內(nèi)模函數(shù)的過分解問題；在運用EMD方法對非平穩(wěn)信號進(jìn)行分解時,在數(shù)據(jù)的兩端會產(chǎn)生發(fā)散現(xiàn)象,并且這種發(fā)散的結(jié)果會逐漸向內(nèi)“污染”整個數(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,較好地抑制了端點效應(yīng)；EMD方法存在的另一個主要問題是模式混疊(一個內(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中各個分量的頻率比,較好地解決了EMD的模式混疊問題。 滾動軸承和齒輪振動信號均呈現(xiàn)調(diào)制特征及含有大量噪聲。因此,對測得的振動信號進(jìn)行解調(diào)是滾動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)計一帶通濾波器,其中心頻率為某一元件固有頻率,然后對原信號進(jìn)行帶通濾波。但有時會出現(xiàn)時域相加信號的頻率成分在調(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。本文在建立滾動軸承和齒輪振動信號的簡化數(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)上公開的實驗數(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軸承和齒輪的時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，軸承振動仿真信號的三種時-頻幅度圖具有較高的相似性。對實驗數(shù)據(jù)的驗證也證明了這一點。圖2-3中的原始信號為電機(jī)風(fēng)機(jī)端軸承振動加速度信號，對其進(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2-2三種時頻分析方法的頻譜振幅比較（仿真信號）Fig. 2-2 Comparison of Spectral Amplitude (Simulated Signal)第一行為軸承故障仿真振動信號，第二行到第四行分別為對其分別進(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],信號的懫樣頻率為lOOOHz。對這個信號直接執(zhí)行經(jīng)驗?zāi)B(tài)分解算法的處理結(jié)果如圖3-11所示。由圖可見，由于端點效應(yīng)問題，僅有兩個諧波信號成分的原信號分解出4個IMF分量。并且第一個IMF分量和第二個IMF分量的端點附近都有明顯的發(fā)散現(xiàn)象，呈現(xiàn)出越分解端點效應(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)位級別】：博士
【學(xué)位授予年份】：2006
【分類號】：TH165.3


本文編號：2648781