旋轉(zhuǎn)機械強噪聲中微弱故障特征提取的研究.pdf

1、在旋轉(zhuǎn)機械故障診斷中，因為機械設(shè)備的現(xiàn)場環(huán)境十分復雜，采集到的振動信號中含有大量的噪聲。特別是振動信號中的微弱故障，故障特征能量較小，還被大量的噪聲覆沒，嚴重地影響了機械故障信號的特征提取和故障的識別。論文以旋轉(zhuǎn)機械為研究對象，對振動信號中存在的強噪聲干擾下微弱信號的特征提取進行了研究。
　　近年來，經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）時頻分析方法被廣泛地應用在旋轉(zhuǎn)機械振動信號的分析處理

2、中，然而在含有強噪聲的振動信號中，噪聲會干擾EMD對于微弱信號的提取，分解結(jié)果中會有嚴重的端點效應，對于分解的質(zhì)量和效果有很大的影響。為此，論文提出了基于多分辨奇異值分解和經(jīng)驗模態(tài)分解的微弱信號提取方法，利用信號中噪聲和有用信號的相關(guān)性不同，通過多層奇異值分解提高了信噪比，實現(xiàn)了強噪聲的去除保留了微弱信號，再通過EMD和希爾伯特包絡譜結(jié)合對去噪后信號的頻率分量進行提取。通過仿真和真實故障數(shù)據(jù)實驗證明了該方法在強噪聲中提取微弱信號有很好的

3、效果。
　　奇異值分解作為一種非線性降噪方法被普遍應用在信號的降噪檢測中，然而在強背景噪聲中對于微弱信號的檢測，奇異值分解效果欠佳，關(guān)于該問題，論文提出了多分辨奇異值分解，對信號經(jīng)過多次的分解，實現(xiàn)了噪聲的逐級去除，提高了信號的信噪比。再通過奇異值分解差分譜理論的方法選擇有效奇異值個數(shù)，得到了去噪后的信號，EMD分解將不同分量信號提取出來，實現(xiàn)了微弱信號的提取。然而當信號中含有兩個或多個頻帶太過接近或振幅比過小時，EMD分解不能將

4、單頻分量正確分離，會得到虛假的分量，這樣影響了對于故障結(jié)果的判斷。
　　針對相近頻率信號難以分離的問題，提出了變分模態(tài)分解（Variational Mode Decomposition，VMD）和奇異值分解相結(jié)合的方法。VMD分解是基于Alternate Direction Method of Multipliers（ADMM）優(yōu)化算法通過迭代搜尋變分模型的最優(yōu)解來得到每個分量的中心頻率及帶寬，從而能夠自適應地實現(xiàn)信號在頻域內(nèi)分解

5、以及各分量的有效分離。VMD分解具有堅實的理論基礎(chǔ)，也有更強的噪聲魯棒性，在模態(tài)分離方面具有更高的頻率分辨力。但是在用VMD分解信號時需要先設(shè)定要分解的模態(tài)層數(shù)。論文將VMD方法與奇異值分解相結(jié)合，利用VMD方法較強的抗噪能力和對相近頻率信號的高分辨率特性，以及奇異值分解方法能有效去除虛假頻率的特點，首先將信號用VMD分解，然后將獲得的所有分量進行奇異值分解，通過奇異值分解檢測虛假成分，選擇適當?shù)腣MD分解層數(shù)，實現(xiàn)相近頻率成分的有效分