基于自適應最稀疏時頻分析的機械故障診斷方法.pdf

1、機械設備狀態(tài)監(jiān)測和故障診斷對于保證設備健康運行具有重要的作用。隨著科學技術的發(fā)展，現(xiàn)代機械設備越來越復雜，對機械故障診斷新技術和新方法的研究具有重要的意義。機械故障診斷技術的核心是故障特征的提取，設備運行中產生的振動信號包含了大量的設備狀態(tài)信息，因此，基于振動的診斷方法是非常有效的機械故障診斷方法。然而，機械振動信號比較復雜，常表現(xiàn)為非平穩(wěn)、多分量、多調制特征，且經常會受到噪聲干擾。因此，研究一種合適的能夠準確提取故障特征信息的信號分析

2、處理方法具有重要的實際意義。
　　自適應時頻分析方法在信號分解中根據(jù)信號本身的特性自動選擇基函數(shù)或參數(shù)，能夠有效提取機械故障振動信號的本質特征，因此在機械故障診斷中得到了廣泛的應用。自適應最稀疏時頻分析(Adaptive and Sparsest Time-FrequencyAnalysis，ASTFA)方法是一種新的自適應時頻分析方法，它以分解得到的單分量個數(shù)最少為優(yōu)化目標，以單分量的瞬時頻率具有物理意義為約束條件，通過求解最優(yōu)

3、化問題將信號自適應地分解為若干個內稟模態(tài)函數(shù)之和。ASTFA方法結合了EMD(Empirical Mode Decomposition，EMD)方法中將信號自適應地分解為若干個內稟模態(tài)函數(shù)之和與稀疏分解中在過完備字典庫中尋優(yōu)以獲得信號稀疏分解的優(yōu)點。論文在國家自然科學基金項目（編號:51375152）的資助下，對ASTFA方法的理論進行了研究與完善，并將ASTFA方法應用于機械設備故障診斷。
　　論文的主要研究工作有:
　　

4、(1)對ASTFA方法進行了研究，將ASTFA方法與EMD、LCD(LocalCharacteristic-scale Decomposition，LCD)、LMD(Local Mean Decomposition，LMD)方法進行了對比，其分解結果的正交性、精確性等評價指標優(yōu)于EMD、LCD、LMD方法;對ASTFA方法的分解能力進行了研究;對ASTFA方法的抗模態(tài)混疊性能進行了研究，仿真和轉子故障信號的分析驗證了ASTFA方法在抑制

5、模態(tài)混淆方面的優(yōu)勢。
　　(2)從瞬時頻率計算對ASTFA方法進行理論解釋。ASTFA方法與EMD、LCD、LMD等方法具有理論共性，都是將復雜信號自適應地分解為具有調幅部分和調頻部分乘積形式的單分量信號之和。但是，ASTFA方法可以直接計算信號的瞬時頻率，不用通過歸一化的方法得到純調頻信號，再進行瞬時頻率計算，避免了極值點處存在的波動和估計誤差，具有明顯的優(yōu)越性。
　　(3)從濾波器設計對ASTFA方法進行解釋。ASTFA

6、方法將信號由時間域轉化到相位域，基于數(shù)據(jù)本身相位函數(shù)的驅動來設計自適應濾波器，即:通過選擇合適的初始相位函數(shù)和平滑度控制參數(shù)來設計符合要求的濾波器，從而實現(xiàn)信號的自適應分解。
　　(4)針對ASTFA方法初始相位函數(shù)的選擇問題，提出了基于一維精確搜索的ASTFA方法和基于遺傳算法(Genetic Algorithm，GA)的ASTFA方法。兩種改進的ASTFA方法都是基于初始相位函數(shù)的最優(yōu)選擇而提出，解決了原始ASTFA方法中初始

7、相位函數(shù)選擇問題。
　　(5)研究了ASTFA方法在齒輪故障診斷中的應用，提出了基于ASTFA的瞬時幅值譜和瞬時頻率譜方法;提出了基于ASTFA的多尺度模糊熵偏均值(PartialMean MFE，PMMFE)的齒輪故障診斷方法;研究了ASTFA方法在齒輪箱復合故障診斷中的應用;研究了ASTFA方法在行星齒輪箱故障診斷中的應用。
　　(6)研究了ASTFA方法在變速工況下機械設備故障診斷中的應用。提出了基于ASTFA的階次方