基于局域均值分解的機械故障診斷方法研究.pdf

1、本文在國家自然科學(xué)基金(50775208)和河南省教育廳自然科學(xué)基金(2008C460003,2006460005)資助下，將局域均值分解(Local Mean Decomposition,LMD)引入到機械故障診斷領(lǐng)域，對基于局域均值分解的機械故障診斷方法進行了深入研究，并取得了創(chuàng)新成果，得到了一些有價值的結(jié)論。本論文的主要內(nèi)容如下：
　　 第1章、論述了本課題提出的意義；討論了時頻分析的發(fā)展現(xiàn)狀及其國內(nèi)外研究現(xiàn)狀；闡述了局域

2、均值分解的發(fā)展及在國內(nèi)外的研究應(yīng)用現(xiàn)狀；提出了本課題的總體框架和創(chuàng)新點。
　　 第2章、詳細論述了局域均值分解的基本理論、算法和特點，并和經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition， EMD)進行了對比分析。LMD分解可以得到具有明顯物理意義的生產(chǎn)函數(shù)(production function， PF)分量，能更好地揭示系統(tǒng)的非線性、非平穩(wěn)特性，鑒于LMD良好的自適應(yīng)性，將該方法引入到機械故障診斷中，提

3、出了基于LMD的機械故障診斷方法，并給出了實現(xiàn)的主要步驟。仿真研究表明，該方法能很好地自適應(yīng)性處理非平穩(wěn)信號，能有效地提取出具有明顯的物理意義的瞬時頻率分量，不會造成信息的遺失。最后，將提出的方法應(yīng)用到滾動軸承故障診斷中，通過軸承故障的分析，進一步驗證了提出的方法的有效性。
　　 第3章、論述了Wigner高階矩譜的定義和算法；針對Wigner高階矩譜受到交叉項影響的不足，提出了一種基于局域均值分解和Wigner高階矩譜的機械故

4、障診斷方法，該方法首先對故障信號進行LMD分解，得到具有單分量性質(zhì)的生產(chǎn)分量，然后從這些生產(chǎn)分量中找出包含原始信號信息的“真實分量”，通過對真實分量求Wigner雙譜，然后再進行疊加，便可有效的抑制Wigner高階矩譜交叉項的干擾。仿真結(jié)果表明，與直接Wigner雙譜相比較，交叉干擾項得到了有效的抑制，非常好的保持了原信號的性質(zhì)；與采用Choi-Williams核濾波得到的Wigner雙譜相比較，更能真實地再現(xiàn)信號的時頻特性。最后，將提

5、出的方法用于軸承的故障診斷，實驗結(jié)果再次證明了該方法的有效性，提出的方法為Wigner高階矩譜交叉項的抑制提供了一種新的途徑。
　　 第4章、論述了盲源分離的的基本理論和基本算法；結(jié)合LMD和BSS各自的特點，提出了一種基于LMD的機械故障欠定盲源分離方法，在提出的方法中，利用LMD對觀測信號進行分解，得到一系列的生產(chǎn)函數(shù)分量，將所得到的生產(chǎn)函數(shù)分量和原觀測信號組成新的觀測信號，然后，對構(gòu)成的新觀測信號進行白化處理和聯(lián)合近似對角

6、化，得到源信號的估計。仿真結(jié)果表明，提出的方法優(yōu)于傳統(tǒng)時頻域的盲源分離方法，能有效地處理非平穩(wěn)信號的欠定盲分離。最后，將提出的方法應(yīng)用到滾動軸承的混合故障分離中，實驗結(jié)果進一步驗證了該方法的有效性。
　　 第5章、將局域均值分解(LMD)、包絡(luò)分析和支持向量機(SVM)相結(jié)合，提出了基于LMD包絡(luò)譜和SVM的滾動軸承故障診斷方法，該方法先對滾動軸承振動信號進行分解，得到一系列的PF分量，然后，再對前面幾個PF分量進行絡(luò)分析，從包