轉(zhuǎn)子故障信號的量化特征提取方法研究.pdf

1、故障診斷技術主要包括三部分的研究內(nèi)容，即信號處理、特征提取、故障辨識。特征提取，是對系統(tǒng)的動態(tài)信號預處理后得到的信息進行分析，提取與系統(tǒng)狀態(tài)有關的數(shù)據(jù)，再分析這些數(shù)據(jù)，提取其中與系統(tǒng)狀態(tài)相關性較大的敏感特征，是故障診斷技術的關鍵，理論研究的熱點之一。特征提取的完善和正確與否，直接影響到診斷是否成功和診斷結(jié)果的準確性。常用的信號特征提取方法存在以下兩點不足：(1)難以準確描述系統(tǒng)非線性及信號的非平穩(wěn)信號特征；(2)難以解決信號特征的定量評

2、價問題。本文采用信息熵分析方法，對機械信號特征提取和定量評價方法進行研究。
　　 針對轉(zhuǎn)子實驗臺的數(shù)據(jù)模型，運用信息熵方法對故障類別、程度分別給出客觀的量化評價方法。主要工作內(nèi)容及獲得的研究結(jié)論如下：
　　 1)在認真查閱國內(nèi)外大量文獻的基礎上，分析信息熵測度在故障診斷中的研究現(xiàn)狀和存在的問題。對信息熵的性質(zhì)和時域的奇異譜熵、頻域的功率譜熵和時-頻域的小波能譜熵進行了較為系統(tǒng)的研究和探討。
　　 2)以軸承-轉(zhuǎn)子

3、系統(tǒng)動力學模型為基礎，研究了它的常見的故障的機理。設計了有限沖激響應低通濾波器，對采集的信號進行濾波，為特征提取提供原始數(shù)據(jù)。同時把基于AR模型最大熵法的功率譜算法應用到故障類別的診斷中，分辨率比傳統(tǒng)的方法高，譜線平滑，同時抗噪的能力很強，很適合軸承-轉(zhuǎn)子的數(shù)據(jù)處理。
　　 3)研究了盲信號處理的Fast-ICA算法和AMUSE算法，通過實例仿真分析可得，由于Fast-ICA算法的分離性能指標較小和自身的優(yōu)點，所以選擇Fast-

4、ICA算法分離后的數(shù)據(jù)作為奇異譜熵的樣本數(shù)據(jù)。提出了基于Fast-ICA的奇異譜熵算法。通過對實驗信號的分析表明，該算法能有效評價轉(zhuǎn)子振動狀態(tài)的特征指標。
　　 4)基于信息融合思想，對描述振動信號能量的三種信息熵測度，即時域的奇異譜熵、頻域的功率譜熵、時頻域的小波能譜熵，在根據(jù)廣義集合概念對上述三種信息熵測度進行特征級的信息融合基礎上，提出了一種基于時空(場)廣義信息熵集合的軸承-轉(zhuǎn)子系統(tǒng)故障辨識方法。分析表明，該方法擁有在三