機械振動信號的故障特征分析與仿真.pdf

1、隨著高檔數(shù)控裝備功能日趨豐富和復雜，一旦某一關鍵部件在運行時出現(xiàn)微弱故障，就可能影響整臺裝備的安全運行，因此，研究復雜機械裝備微弱故障信號的特征提取技術和應用是確保數(shù)控系統(tǒng)安全、可靠、連續(xù)運行的關鍵。
　　 滾動軸承是出現(xiàn)故障頻率最高的部件之一，因此，本文從滾動軸承早期故障特征提取方法展開研究。傳統(tǒng)的經驗模式分解算法(EMD)能夠有效地處理非平穩(wěn)非線性動態(tài)信號，但在噪聲和脈沖沖擊的干擾下會出現(xiàn)模式混疊的問題，為此，引入噪聲輔助集

2、合經驗模式分解(EEMD)來處理滾動軸承的故障動態(tài)信號，分離和提取出振動信號中所包含的故障特征信號和噪聲信號，解決了模式混疊問題。
　　 針對滾動軸承等關鍵部件早期微弱特征信號時變、非線性、信噪比低等特性，尤其在更強的背景噪聲干擾下，提取出微弱的低頻信號的故障特征頻率更是難上加難。因此，在進行特征頻率的分解和提取之前必須先對大噪聲信號進行降噪處理，研究了基于級聯(lián)雙穩(wěn)隨機共振預處理后非平穩(wěn)動態(tài)信號EEMD分解的微弱特征提取算法。該

3、算法使湮沒在強大隨機背景噪聲中的微弱故障信息通過級聯(lián)隨機共振各級系統(tǒng)的共振作用得到增強放大。最后，通過MATLAB平臺編寫了上述算法的程序，并將該算法應用于仿真系統(tǒng)和工程實測中，分析結果表明該算法能快速、有效地消除信號里的高頻噪聲干擾，并突出低頻有用信號成分，降噪效果顯著。
　　 本文所研究的算法能夠應用于數(shù)控系統(tǒng)狀態(tài)檢測與故障診斷系統(tǒng)中，實現(xiàn)在強噪聲背景下預測潛在的早期微弱故障，并為遠程故障診斷系統(tǒng)的研究提供理論基礎，在機械設