機械診斷現(xiàn)代信號處理及故障識別關鍵技術研究.pdf

1、機械設備的診斷過程包括診斷信息獲取、故障特征信息提取和狀態(tài)識別三部分。其中，故障特征提取和狀態(tài)識別是診斷的關鍵。為了從根本上解決故障特征提取這個關鍵問題，必須借助于信息處理、特別是現(xiàn)代信號處理的理論方法和技術手段，探索故障特征提取的途徑，發(fā)展新的故障診斷理論和技術。
　　 本文正是在以上基礎上，結合現(xiàn)在比較新穎的小波理論、第二代小波、經(jīng)驗模式分解、獨立分量分析(ICA)技術，開展了若干機械系統(tǒng)特征提取的嘗試性工作，主要研究內容包

2、括：
　　 (1)將提升小波變換和灰色系統(tǒng)理論應用于旋轉機械故障診斷的研究，在對振動信號提升小波變換的基礎上，建立了時域和頻域的復合特征向量模型，并用灰色關聯(lián)度對多源故障模式進行了有效的識別。試驗結果表明，此方法的有效性，在機械診斷中具有很大的應用潛力。
　　 (2)提出了一種新的滾動軸承故障診斷方法：EMD-AR模型灰色識別法。
　　 首先對振動信號進行經(jīng)驗模式EMD分解，然后重新組合基本模式分量(Intrin

3、sicMode Function，IMF)依重組分量建立AR模型，將模型自回歸參數(shù)φ和模型的殘差方差σ組成特征向量，利用灰色關聯(lián)度作為模式識別的方法，實現(xiàn)了對滾動軸承的精密診斷。
　　 (3)通過分析機械信號的數(shù)學模型，利用獨立分量分析(independentcomponent analysis，ICA)技術提敢機械信號中的獨立分量，并定義為振源波形基。將觀測信號投影到幾個峰度大的波形基上，得到的各個投影分重作為待識別的信號特征

4、。由于振源波形基實際上對應了振源的中心響應，使得該方法提取的特征不僅保持了獨立性，而且還具有實際的物理意義。在此基礎上，使用支持向量機(support vector machine，SVM)作為分類器進行了仿真實驗和工程實驗，實驗結果表明該方法是有效和可行的。
　　 (4)為了識別轉子-軸承系統(tǒng)的獨立源信號，分析了故障轉子非線性動力學機理，提出了小波-獨立分量分析(IeA)方法。小波分析與ICA的有機結合使兩者優(yōu)勢得以發(fā)揮，隱藏