本文選題：經驗模式分解　切入點：隨機共振　出處：《西南交通大學》2015年博士論文

【摘要】：在機械設備早期故障診斷中,最重要也是最困難的就是故障信號的特征提取。受到現場環(huán)境的影響,所測得的信號包含大量的噪聲干擾,信號的特征很微弱,往往被噪聲淹沒,很難獲得準確的設備狀態(tài)信息。如何從含噪的混合信號中檢測出微弱故障特征信號是當前研究的一個熱點問題。對于單一的旋轉機械,論文在研究形態(tài)濾波、奇異值分解(SVD)降噪的基礎上提出了經驗模態(tài)分解(EMD)微弱信號檢測方法和隨機共振微弱信號檢測方法,并通過軸承故障得以驗證所提方法的有效性；對于復雜的旋轉機械,由傳感器采集的信號源比較復雜,所以論文研究了基于獨立分量分析(ICA)的微弱信號檢測方法,并成功應用于齒輪箱的故障診斷中；對于有些機械設備出現故障時,由于其工作過程不具有周期性,所以無法直接從故障頻率來判斷故障模式,如刀具的磨損監(jiān)測。鑒于此,論文提出了微弱特征提取與遺傳算法優(yōu)化的B樣條模糊神經網絡相結合的智能診斷方法,最后準確實現了刀具磨損的故障診斷。具體的研究內容如下：利用聯合降噪結合經驗模式分解的方法實現了軸承的故障診斷。經驗模式分解是一種自適應的時頻分析方法。在強噪聲背景下利用經驗模式分解提取故障特征時,噪聲的存在會加重分解的邊界效應,影響分解的質量和效果。因此,論文提出一種將形態(tài)濾波和奇異值分解消噪及EMD結合起來的新的弱故障特征提取方法。首先對原始振動信號進行形態(tài)濾波,然后進行SVD降噪,最后把消噪的信號進行EMD分解,獲得本征模態(tài)分量提取故障特征信息。仿真信號和軸承故障分析結果均表明,該方法可以提高EMD分解的質量,能提取到有效的微弱故障特征。由于隨機共振能夠利用噪聲來增強信號,所以它在強噪聲背景下檢測微弱故障特征有著獨特的優(yōu)勢。將該方法應用于軸承故障診中,可以看出,當故障頻率與噪聲頻帶比較接近時,經該方法處理后的信號,信噪比更高,故障識別更明顯。針對實際工程上采集的信號難以滿足小參數隨機共振的條件,論文研究移頻-變尺度隨機共振方法實現了大參數信號的微弱故障檢測。同時,為了實現與輸入信號最佳匹配的隨機共振參數,提出基于遺傳算法的多參數同步優(yōu)化的自適應隨機共振算法,以雙穩(wěn)系統(tǒng)輸出的信噪比為適應度函數,對隨機共振系統(tǒng)中的多個參數進行同步優(yōu)化,克服了傳統(tǒng)隨機共振系統(tǒng)只實現單參數優(yōu)化的缺點。對于復雜的旋轉機械,獨立分量分析可以從源信號中分離出各個獨立分量,是一種很有效的微弱信號檢測方法。對于含噪的單通道ICA分離方法,提出將噪聲作為虛擬觀測信號引入,與傳感器采集的信號一起構成二維觀測向量,通過Fast ICA分離,即可以解決盲分離中的欠定問題,又可以將信號中的噪聲去除,從而增強信號的有效特征；另一方面,對于多通道盲分離,研究了基于頻域的盲解卷算法,并將這種方法應用于齒輪箱的故障監(jiān)測中,實驗結果表明了該方法能成功應用于機械故障診斷中。刀具的磨損監(jiān)測過程不具有周期性,所以無法直接從故障頻率來判斷故障模式,采用B樣條模糊神經網絡則可以實現刀具磨損的故障診斷。以B樣條為基函數的模糊神經網絡,傳統(tǒng)的學習算法是采用自適應學習算法,網絡參數需要根據經驗標定,容易陷入局部最小,論文采用遺傳算法優(yōu)化網絡參數進行全局尋優(yōu),得到了比較好的診斷效果。同時通過對比發(fā)現,利用經驗模式分解,隨機共振以及Fast ICA實現多參數故障特征提取,可以提高設備的故障診斷率。實驗表明了所提方法的有效性。論文最后對本文工作進行了總結,并對故障特征提取技術的研究進行了展望。
[Abstract]:In the early diagnosis of mechanical equipment , the most important is feature extraction of fault signal , which is influenced by the field environment . The measured signal contains a lot of noise interference . It is very difficult to get accurate equipment status information . How to detect weak fault characteristic signal from mixed signal with noise is a hot point of current research .
For complex rotating machinery , the signal source acquired by sensor is more complex , so the weak signal detection method based on independent component analysis ( ICA ) is studied , and it is successfully applied to the fault diagnosis of gear box ;
A new weak fault feature extraction method combining morphological filtering and singular value decomposition with B - spline fuzzy neural network is proposed .
On the other hand , for multi - channel blind separation , the blind deconvolution algorithm based on frequency domain is studied , and the method is applied to fault monitoring of gear box . The experimental results show that the method can be successfully applied to mechanical fault diagnosis .

【學位授予單位】：西南交通大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TH17

【參考文獻】

相關期刊論文 前10條

1 鄒曉旭;;基于GA-BP神經網絡礦用通風機故障診斷研究[J];能源技術與管理;2015年03期

2 張廷;李曉峰;董宏輝;畢軍;;基于隨機共振和主成分分析的軸承故障診斷[J];武漢理工大學學報(交通科學與工程版);2015年03期

3 唐立力;呂福起;;基于遺傳算法的BP神經網絡滾動軸承故障診斷[J];機械設計與制造工程;2015年03期

4 崔鳳新;徐麗蘭;鄭新桃;;采用EMD和奇異值分解子空間重構的信號降噪新方法[J];邵陽學院學報(自然科學版);2014年04期

5 孫虎兒;王志武;;級聯分段線性隨機共振的微弱信號檢測[J];中國機械工程;2014年24期

6 朱一;呂勇;侯高雁;黃浩;;基于形態(tài)學的一種齒輪故障特征提取方法[J];機床與液壓;2014年23期

7 張文斌;;奇異值能量差分譜在信號降噪中的應用[J];工礦自動化;2014年10期

8 曹偉青;傅攀;李曉暉;;刀具磨損早期故障智能診斷研究[J];中國機械工程;2014年18期

9 冷永剛;田祥友;;一階線性系統(tǒng)隨機共振在轉子軸故障診斷中的應用研究[J];振動與沖擊;2014年17期

10 文成;周傳德;;基于SVD與改進EMD的滾動軸承故障診斷[J];機械科學與技術;2014年05期

，

本文編號：1692467