信號自適應(yīng)分解方法能根據(jù)信號本身的特征將復(fù)雜信號分解成一系列簡單分量之和,在故障診斷中被廣泛用來消除噪聲和提取故障特征。為了提高經(jīng)驗小波變換（Empirical Wavelet Transform,EWT）提取軸承故障特征的能力,本文開展了自適應(yīng)信號分解方法對比分析研究,取得以下成果:對比分析了常用自適應(yīng)信號分解方法的分解方式、分解成份和分解能力。證明經(jīng)驗小波變換在抗模態(tài)混疊和分解時間方面明顯優(yōu)于經(jīng)驗?zāi)B(tài)分解,因而更適用于軸承振動信號故障特征提取。EWT在對信號進(jìn)行分解時,必須通過傅里葉譜的合理分割來達(dá)到良好的效果。針對實際信號復(fù)雜多變,經(jīng)驗小波變換實施不變的問題,提出了改進(jìn)經(jīng)驗小波變換（Improved Empirical Wavelet Transform,IEWT）算法。該算法引入循環(huán)包絡(luò)分析,采用“l(fā)ocmaxmin”方法分割信號頻譜,獲取多個單分量;然后采用Pearson相關(guān)系數(shù)衡量相鄰分量間的關(guān)聯(lián)度,將關(guān)聯(lián)度高的單分量合并,作為新的分割策略。仿真信號分析證明了該方法能更高效合理地進(jìn)行頻譜分割。為提高軸承故障特征提取效率,提出了熵價值評價方法,用于對改進(jìn)經(jīng)驗小波變換分解得到的... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１端點效應(yīng)問題??Ｆｉｇ．?２－１?Ｅｎｄｐｏｉｎｔ?ｅｆｆｅｃｔ?ｐｒｏｂｌｅｍ??

０．１?０．２?０．３?０．４?０．５?０．６?０．７?０．８?０．９?１??時間ｆ／ｓ??圖２－１端點效應(yīng)問題??Ｆｉｇ．?２－１?Ｅｎｄｐｏｉｎｔ?ｅｆｆｅｃｔ?ｐｒｏｂｌｅｍ??（２）模態(tài)混疊問題??除了上面討論的缺點之外，ＥＭＤ的另一個突出缺點是模態(tài)混疊其被定義??為包括顯著屬于不同尺度的單個振蕩分量，或者存在于不同分量中的類似尺度的??分量。正如Ｈｕａｎｇ等人所討論的那樣，這會使個別ＩＭＦ的物理意義模糊不清。為??了清楚地理解，我們使用式（２－３）所示的仿真信號來說明模態(tài)混疊的問題：??＾（０?＝?＾．?（０?＋?＾２?（０?＋?＾（０??ｘ］?（／）?＝?ｌ／（ｌ．２＋ｃｏｓ（２７ｉ／））?（２?３）??ｘ２?（／）?＝?ｌ／１．５＋ｓｉｎ（２ｎ／）??ｊｃ３?（／）?＝（?１?＋ｓｉｎ（９７ｔ／））ｃｏｓ（?１０〇７ｉ／）??圖２－２顯示了仿真信號的ＥＭＤ分解結(jié)果�？梢钥闯�，ＥＭＤ分解得到的結(jié)果??中，不但原仿真信號的分量１和分量２沒有分離開，混疊成了一個新的分量，而??且出現(xiàn)了多個虛假分量。??模態(tài)混疊問題是由于信號時頻尺度不連續(xù)引發(fā)的結(jié)果�？偨Y(jié)產(chǎn)生模態(tài)混疊問??題的情況主要有以下幾種［６８］：??（１）

ＥＷＴ能夠達(dá)到適應(yīng)性的關(guān)鍵在于信號頻譜分割操作。假定傅里葉支撐［０，?７１］??被分割成Ｗ個連續(xù)的頻帶（下一部分將介紹頻帶劃分問題）。依據(jù)Ｓｈａｎｎｏｎ準(zhǔn)則的??要求，在分析過程中把信號的傅里葉頻譜定義在［０，司范圍內(nèi)。如圖２－３，將禮表??示為每個段之間的邊界（其中＜ｙ？＝０和叫＝７〇，每個段表示為Ａｎ＝［叫，叫］，那??么很容易看出，Ｕ二八？＝［０，?７１］。以每個％為中心，定義了寬度２ｒ？的過渡階段Ｔ??（圖２－３中的灰色陰影區(qū)域）。??３１１通丄??ａ＼?＾２?（〇？?ｈ?ｎ??圖２－３?ＥＷＴ分解頻譜分區(qū)??Ｆｉｇ．?２－３?ＥＷＴ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｓｐｅｃｔｒｕｍ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｄｉａｇｒａｍ??對Ｖ？＞０，分別通過等式（２－７）和（２－８）定義經(jīng)驗尺度函數(shù)和經(jīng)驗小??波函數(shù)么（《）：??１?＼（〇＼?＜?＜ｙ，?－?ｒ，??＾，（ｆｉ；）?＝?］ｃｏｓ?－ｐ?—?（１＾１－６；，＋ｒ，）?（〇，－＾＜＼（〇＼＜〇｝，＋＾?（２－７）??Ｌ２?）＼??［〇?其他??１３??

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)經(jīng)驗小波變換的齒輪箱故障診斷新方法與應(yīng)用[J]. 王昌明,張征,李峰,魯聰達(dá).  噪聲與振動控制. 2018(05)
[2]基于雙樹復(fù)小波分解的風(fēng)機(jī)齒輪箱故障診斷[J]. 劉清清,楊江天,尹子棟.  北京交通大學(xué)學(xué)報. 2018(04)
[3]一種自適應(yīng)頻率窗經(jīng)驗小波變換的滾動軸承故障診斷方法[J]. 鄧飛躍,強(qiáng)亞文,楊紹普,郝如江,劉永強(qiáng).  西安交通大學(xué)學(xué)報. 2018(08)
[4]采用經(jīng)驗小波變換的風(fēng)力發(fā)電機(jī)振動信號消噪[J]. 陳學(xué)軍,楊永明.  浙江大學(xué)學(xué)報(工學(xué)版). 2018(05)
[5]改進(jìn)的經(jīng)驗小波變換在滾動軸承故障診斷中的應(yīng)用[J]. 朱艷萍,包文杰,涂曉彤,胡越,李富才.  噪聲與振動控制. 2018(01)
[6]基于IMF熵價值的輪對軸承故障自適應(yīng)診斷[J]. 易彩,林建輝,丁建明,張衛(wèi)華.  鐵道學(xué)報. 2017(10)
[7]信號自適應(yīng)分解對比研究及其在機(jī)車軸承故障診斷中的應(yīng)用[J]. 魏勇召,趙明元,楊江天.  機(jī)車電傳動. 2017(04)
[8]基于能量聚集度經(jīng)驗小波變換的齒輪箱早期微弱故障診斷[J]. 王友仁,陳偉,孫燦飛,孫權(quán),黃海安.  中國機(jī)械工程. 2017(12)
[9]采用改進(jìn)HVD與Lempel-Ziv復(fù)雜性測度的滾動軸承早期損傷程度評估方法[J]. 夏平,徐華,馬再超,雷默涵,裴世源,譙自健.  西安交通大學(xué)學(xué)報. 2017(06)
[10]基于經(jīng)驗小波變換的振動信號分析[J]. 陳學(xué)軍,楊永明.  太陽能學(xué)報. 2017(02)

碩士論文
[1]新穎的自適應(yīng)時頻分布方法及在故障診斷中應(yīng)用研究[D]. 朱明.南昌航空大學(xué) 2015
[2]信號自適應(yīng)分解及其在軌道車輛故障診斷中的應(yīng)用[D]. 陳欣安.北京交通大學(xué) 2015
[3]基于EMD的滾動軸承故障診斷方法的研究[D]. 陸小明.蘇州大學(xué) 2012



本文編號：2984049