旋轉(zhuǎn)機(jī)械欠定盲源分離模態(tài)分析方法研究.pdf

1、為了解決旋轉(zhuǎn)機(jī)械多源故障欠定盲源分離診斷問題，本論文圍繞振動(dòng)信號的分解與源信號分離，開展了模態(tài)分析方法研究。以滾動(dòng)軸承這一旋轉(zhuǎn)機(jī)械關(guān)鍵零部件作為研究對象，對加速度傳感器采集所得振動(dòng)信號進(jìn)行處理，并采用仿真信號與實(shí)驗(yàn)信號進(jìn)行分析驗(yàn)證，證明本文所用方法的有效性與實(shí)用性。論文的主要內(nèi)容包括:
　　針對傳統(tǒng)總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法收斂時(shí)間慢、模態(tài)分量準(zhǔn)確度低的問題，本論文提出了基于互相關(guān)系數(shù)的改進(jìn)EEMD方法，并成功應(yīng)用于旋轉(zhuǎn)機(jī)械

2、復(fù)合故障欠定盲源分離問題。該方法利用互相關(guān)系數(shù)改進(jìn)EEMD算法進(jìn)行信號分解，既保證了模態(tài)信號的準(zhǔn)確性，解決了分解冗余問題，又成功構(gòu)建了正定模型，解決了欠定盲源分離問題。進(jìn)而使用獨(dú)立分量分析(ICA)實(shí)現(xiàn)了復(fù)合故障診斷。仿真與實(shí)際信號分析均表明，該方法可以有效分離旋轉(zhuǎn)機(jī)械復(fù)合故障信號并提取故障特征。與傳統(tǒng)EEMD實(shí)驗(yàn)相比，該方法提高了識別準(zhǔn)確性，極大地降低了運(yùn)行時(shí)間。
　　針對實(shí)際振動(dòng)信號的復(fù)雜與噪聲干擾特性，本論文研究了一種變分模

3、態(tài)分解(VMD)方法并成功應(yīng)用于旋轉(zhuǎn)機(jī)械復(fù)合故障診斷。本論文首先使用VMD方法將原始觀測信號分解為多通道模態(tài)信號，然后使用奇異值分解方法進(jìn)行故障源數(shù)估計(jì)，進(jìn)而使用基于最大熵準(zhǔn)則的FastICA方法進(jìn)行源信號分離。仿真與實(shí)際信號分析均表明，該方法可以有效分離旋轉(zhuǎn)機(jī)械復(fù)合故障信號并提取故障特征。對比實(shí)驗(yàn)表明，相比于傳統(tǒng)EEMD及改進(jìn)方法，該方法不僅可以有效提高提取獨(dú)立分量的速度，保證分量的準(zhǔn)確性，并且對低信噪比信號的欠定盲源分離具有較好的效

4、果。
　　本論文建立了VMD與超平面法矢量(NVH)方法相結(jié)合的欠定盲源分離混合矩陣估計(jì)模型，解決了旋轉(zhuǎn)機(jī)械振動(dòng)信號聚類效果受稀疏性影響的問題。首先采用VMD方法將原始復(fù)合故障信號進(jìn)行分解，對模態(tài)信號使用信息論方法（BIC準(zhǔn)則）進(jìn)行聚類個(gè)數(shù)估計(jì)，利用NVH方法對模態(tài)分量進(jìn)行聚類，得到聚類結(jié)果并估計(jì)混合矩陣。進(jìn)而采用最短路徑法從混合矩陣與模態(tài)信號中恢復(fù)得到源信號，從而進(jìn)行故障診斷。仿真信號與實(shí)際信號分析表明，該方法可以有效分離旋轉(zhuǎn)機(jī)