局部均值分解改進方法研究及其在齒輪箱故障診斷中的應用.pdf

1、作為一種著力于轉換運動狀態(tài)的器械，齒輪箱已廣泛應用在工業(yè)各領域，其關鍵性不言而喻，同時其故障運行所帶來的損失也是難以估計，因此本文對齒輪箱的故障診斷問題展開了研究。發(fā)生故障時，周期性沖擊力對齒輪箱的振幅及頻率產(chǎn)生調制，使其振動觀測信號增加了多種成分，整體呈現(xiàn)非線性及非平穩(wěn)性，對準確提取其故障信息造成干擾。如何從復雜觀測信號中準確提取出齒輪箱故障特征信號，是解決齒輪箱準確故障診斷的重要前提條件，也是本文的研究課題。
　　對于齒輪箱的

2、故障分析，現(xiàn)代信號處理方法提供了必要的診斷工具，其中局部均值分解（Localmeandecomposition,LMD）在自適應分析方法中較為流行。復雜觀測信號能被LMD分解成若干個單分量的乘積函數(shù)（Productfunction,PF），整個分解過程是自適應的，而且PF分量與復雜信號的組成成分存在對應關系，便于從中提取出感興趣的信號成分進行分析，避免其余成分的干擾。然而，LMD尚存在些待解決的問題，如端點效應、敏感分量選取、強噪聲影響

3、等。本文針對這些問題開展了研究，主要成果包括：
　　(1)為了挑選最為合適的齒輪箱故障信號分析方法，本文對短時傅里葉變換、小波變換、Wigner-Ville分布、希爾伯特-黃變換和LMD五種方法的適用性作了對比分析，并從中選取LMD作為本文的研究方法。
　　(2)為了抑制LMD分解結果失真，本文提出一種LMD端點效應改進方法。該方法通過自適應搜索信號內(nèi)與端點處波形具有相似頻譜的波形進行信號延拓，延拓出的波形能夠符合信號本身的

4、時頻特征，從而改善端點效應問題。
　　(3)為了從LMD分解結果中自動篩選出包含故障信息的敏感分量，本文提出一種基于綜合特性的敏感分量提取方法。該方法采用多個時頻域指標來區(qū)分敏感分量與無關分量，避免單一指標的不穩(wěn)定性，從而實現(xiàn)自動選取故障敏感分量。
　　(4)為了避免強噪聲對故障診斷結果的不良影響，本文提出一種自適應帶通濾波器。該濾波器從頻域的角度出發(fā)，改進傳統(tǒng)譜峭度中帶寬不可調的缺點，自適應確定最佳濾波器參數(shù)，再與LMD方