基于自適應(yīng)線調(diào)頻基原子分解方法的機械故障診斷研究.pdf

1、生產(chǎn)過程中發(fā)生的設(shè)備故障會導致設(shè)備停機或機器損壞，進而導致生產(chǎn)中斷，因而在制造業(yè)尤其是流程制造業(yè)中，對機械設(shè)備的狀態(tài)監(jiān)測與故障診斷具有重要的理論意義和實用價值。通過從機械設(shè)備的故障振動信號中提取故障特征信息，是機械設(shè)備故障診斷的關(guān)鍵。
　　 在變轉(zhuǎn)速工況下，機械設(shè)備的振動信號往往包含了更多的設(shè)備運轉(zhuǎn)信息和故障信息，系統(tǒng)缺陷能更容易地被發(fā)現(xiàn)。然而以等采樣頻率采集的振動信號在轉(zhuǎn)速波動工況下往往表現(xiàn)出強烈的非平穩(wěn)性和低信噪比性，導致目

2、前常用的信號處理技術(shù)無法從中準確提取故障特征信息。本文在國家高技術(shù)研究發(fā)展計劃(863計劃)項目“大型風力發(fā)電機組狀態(tài)監(jiān)控與故障診斷技術(shù)研究”(項目編號：2009AA04Z414)和國家自然科學基金項目“多尺度線調(diào)頻基稀疏信號分解方法及其在機械故障診斷中的應(yīng)用研究”(項目批準號：50875078)資助下，針對現(xiàn)有信號處理方法時頻聚集性不夠，抗噪性能不強等缺點，研究提出了一種新的信號處理方法-自適應(yīng)線調(diào)頻基原子分解(adaptive ch

3、irplet alomicdecomposition，ACAD)方法，并將其應(yīng)用于轉(zhuǎn)速變化的齒輪和滾動軸承的故障診斷中。本文的主要研究工作有：
　　 (1)針對多尺度線調(diào)頻基稀疏信號分解方法算法效率低、分解分量幅值失真等問題，研究提出了ACAD方法，并證明了該方法良好的分解精度、較好的抗噪性能和較高的分解效率，非常適合于多分量非平穩(wěn)信號的分析處理。
　　 (2)針對變轉(zhuǎn)速工況下低信噪比的故障齒輪振動信號調(diào)制邊頻帶難以識別

4、的問題，研究提出了基于ACAD的時域同步平均方法。ACAD方法可以有效地提取齒輪的嚙合頻率曲線，從而獲得齒輪轉(zhuǎn)速曲線，再對振動信號進行角域重采樣，以滿足時域同步平均對信號平穩(wěn)性要求。仿真和實驗分析證明了基于ACAD的時域同步平均方法能清晰獲取齒輪的故障調(diào)制階次，非常適合于轉(zhuǎn)速劇烈波動情況下的齒輪故障診斷。
　　 (3)提出了基于ACAD的階次包絡(luò)和循環(huán)頻率的變轉(zhuǎn)速齒輪故障診斷方法。包絡(luò)譜和循環(huán)頻率分析方法是一種有效的齒輪幅值和相

5、位調(diào)制頻率提取方法，但在變轉(zhuǎn)速工況下齒輪振動信號往往表現(xiàn)出劇烈的非平穩(wěn)性，由于故障而產(chǎn)生的調(diào)制頻率成分也會隨著轉(zhuǎn)速變化而變化，不滿足FFT對信號的平穩(wěn)性要求，包絡(luò)譜和循環(huán)頻率分析無法提取齒輪的故障信息。先利用ACAD方法從齒輪振動信號中提取嚙合頻率，從而獲得齒輪轉(zhuǎn)速曲線，根據(jù)獲得的轉(zhuǎn)頻曲線再對原始信號進行角域重采樣。對重采樣信號進行Hilbert變換分別提取其包絡(luò)和相位。對包絡(luò)信號進行FFT變換獲取幅值調(diào)制頻率，對相位信號進行循環(huán)頻率獲

6、取相位調(diào)制頻率，從而現(xiàn)齒輪的故障診斷。
　　 (4)將ACAD方法與神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于變轉(zhuǎn)速工況下滾動軸承的故障識別中。采用ACAD方法從滾動軸承振動信號的包絡(luò)中提取故障特征頻率及其倍頻分量，再從這些特征故障分量中提取能量、方差等時域特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)來識別滾動軸承的故障模式。應(yīng)用實例證明了該方法可以準確有效地對滾動軸承的工作狀態(tài)和故障類型進行分類。
　　 本文研究了適合處理多分量非平穩(wěn)信號的ACAD方法，并