基于振動信號特征提取與表達的旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷研究.pdf

1、在機械設(shè)備狀態(tài)監(jiān)測與故障診斷研究中，故障特征的提取及表達關(guān)系到故障診斷的可靠性與準確性，因此是機械設(shè)備故障研究中的關(guān)鍵問題。本文應(yīng)用時域絕對自相關(guān)統(tǒng)計分析、時頻分析中小波的分形分析、基于高階統(tǒng)計量的獨立分量分析與盲分離，對旋轉(zhuǎn)機械中的軸承與齒輪的不同狀態(tài)的振動信號進行特征提取與表達、及分類研究。
　　 第一章闡明了機械設(shè)備狀態(tài)監(jiān)測與故障診斷的選題意義及研究內(nèi)容，回顧了現(xiàn)有的檢測方案及技術(shù)手段。分析了現(xiàn)有的振動信號分析方法：時域統(tǒng)

2、計分析、時頻分析、基于高階統(tǒng)計量分析的獨立分量分析及盲信號分離?；谳S承、齒輪的振動分析，指出本論文的主要研究內(nèi)容。
　　 第二章提出了一種基于絕對自相關(guān)統(tǒng)計分析信號周期瞬態(tài)成分檢測方法及故障特征極坐標增強表達方法，首先計算信號的時間平均函數(shù)，接著計算其自相關(guān)函數(shù)，再利用快速傅里葉變換計算自相關(guān)函數(shù)的頻譜，根據(jù)頻譜確定信號的主要頻率成分，分別按照這些主要頻率成分的周期建立極坐標映射，并將各映射表示在極坐標圖上，當對應(yīng)于周期極坐標

3、圖上出現(xiàn)增強的特征表示，即判定待檢測信號中存在有此周期的瞬態(tài)成分。所提出的方法可以有效的分辨出軸承的狀態(tài)以及其對應(yīng)的故障。
　　 第三章主要研究了小波變換分形方法在軸承狀態(tài)分類中的應(yīng)用。首先對信號進行小波變換，通過小波反變換得到不同尺度下的細節(jié)信號，并結(jié)合原始信號的功率譜特點，選取能夠充分反映信號頻率--能量特征的尺度，然后計算這些尺度下各細節(jié)信號的方差，再取對數(shù)，對這些對數(shù)值進行最小二乘法直線擬合，得到擬合直線的斜率，最后利用

4、斜率計算出表征信號復(fù)雜程度的分形維數(shù)，通過分形維數(shù)對軸承狀態(tài)進行分類研究。分析結(jié)果表明，此種方法可以有效的區(qū)分軸承的正常、外圈故障、滾珠故障狀態(tài)。
　　 第四章研究了獨立分量分析的基本理論及其在一維振動信號特征提取的應(yīng)用研究。首先對統(tǒng)計獨立性及不相關(guān)性進行了說明，接著研究了獨立分量分析的一般模型，并對其可解性、不確定性進行了探討。之后著重研究了非高斯性度量的對照函數(shù)：峭度、負熵、互信息，以及在進行獨立分量分析之前對信號進行的預(yù)處

5、理方法：零均值化與白化。研究了獨立分量分析快速算法(FastICA)及其實現(xiàn)，并利用仿真分析說明ICA的不確定性。在FastICA基礎(chǔ)上研究了一維振動信號的高階統(tǒng)計信息特征提取，利用ICA基濾波相關(guān)特征(IFC)對齒輪箱振動信號進行特征提取與狀態(tài)模式分類，取得了良好的效果。
　　 第五章研究了盲卷積分離的故障特征提取方法。首先建立了更能體現(xiàn)機械設(shè)備振動卷積混合特點的盲卷積混合及分離模型，接著推導(dǎo)了兩信號源兩傳感器盲卷積系統(tǒng)的分離