非穩(wěn)態(tài)條件下摩擦信號處理和狀態(tài)識別技術研究.pdf

1、摩擦狀態(tài)識別對于監(jiān)測機械設備摩擦副運行狀態(tài)具有重要的意義，而常見的往復運動中產生的摩擦力信號往往是非平穩(wěn)信號，要能更合理且全面地反映摩擦副摩擦狀態(tài)特征的信息，就需要采用適當?shù)男盘柼幚矸椒▉硖崛∧Σ亮π盘柕亩喾N特征參數(shù)。
　　希爾伯特-黃變換方法的核心—經驗模式分解法是基于信號自身的特征進行分解，可以更好地、自適應地分析非平穩(wěn)信號。本研究在往復運動試驗平臺上測取了初始磨合、平穩(wěn)摩擦和貧油摩擦狀態(tài)條件下的摩擦力信號，采用經驗模式分解等

2、方法分別提取摩擦力信號中的多種特征參數(shù)，以便更全面地反映不同摩擦狀態(tài)的特征，并建立基于概率神經網絡的摩擦狀態(tài)識別模型對摩擦狀態(tài)進行識別?？偨Y全文，主要得出以下結論:
　　(1)提出基于經驗模式分解與小波軟閾值聯(lián)合去噪的方法。該聯(lián)合去噪法發(fā)揮了小波閾值去噪良好的去噪能力和經驗模式分解自適應性好的優(yōu)勢。通過仿真信號和往復摩擦力信號實驗結果表明，相比傳統(tǒng)的去噪方法，基于經驗模式分解與小波軟閾值結合去噪方法具有良好的自適應性和穩(wěn)定性，去噪

3、效果更好，提高了信噪比，較好地保留了信號的細節(jié)信息。
　　(2)采用多種方法提取摩擦力信號中的九種特征參數(shù)，提取的特征參數(shù)包括摩擦力峭度、最大奇異值、奇異值熵、IMF能量熵、時頻熵、能量比標準差以及低中高頻段能量比重。通過觀察發(fā)現(xiàn)，在不同摩擦狀態(tài)條件下的上述特征參數(shù)的大小或分布情況有所不同，不同的特征參數(shù)相互彌補，能夠較綜合地反映出不同摩擦狀態(tài)的特征，為摩擦狀態(tài)識別創(chuàng)造了條件。
　　(3)建立基于概率神經網絡的摩擦狀態(tài)識別模