旋转机械强噪声中微弱故障特征提取的研究

发布时间：2017-12-29 07:45

  本文关键词：旋转机械强噪声中微弱故障特征提取的研究　出处：《燕山大学》2016年硕士论文　论文类型：学位论文

  更多相关文章： 奇异值分解 强噪声 旋转机械 微弱信号提取 模态混叠 VMD

【摘要】：在旋转机械故障诊断中,因为机械设备的现场环境十分复杂,采集到的振动信号中含有大量的噪声。特别是振动信号中的微弱故障,故障特征能量较小,还被大量的噪声覆没,严重地影响了机械故障信号的特征提取和故障的识别。论文以旋转机械为研究对象,对振动信号中存在的强噪声干扰下微弱信号的特征提取进行了研究。近年来,经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法被广泛地应用在旋转机械振动信号的分析处理中,然而在含有强噪声的振动信号中,噪声会干扰EMD对于微弱信号的提取,分解结果中会有严重的端点效应,对于分解的质量和效果有很大的影响。为此,论文提出了基于多分辨奇异值分解和经验模态分解的微弱信号提取方法,利用信号中噪声和有用信号的相关性不同,通过多层奇异值分解提高了信噪比,实现了强噪声的去除保留了微弱信号,再通过EMD和希尔伯特包络谱结合对去噪后信号的频率分量进行提取。通过仿真和真实故障数据实验证明了该方法在强噪声中提取微弱信号有很好的效果。奇异值分解作为一种非线性降噪方法被普遍应用在信号的降噪检测中,然而在强背景噪声中对于微弱信号的检测,奇异值分解效果欠佳,关于该问题,论文提出了多分辨奇异值分解,对信号经过多次的分解,实现了噪声的逐级去除,提高了信号的信噪比。再通过奇异值分解差分谱理论的方法选择有效奇异值个数,得到了去噪后的信号,EMD分解将不同分量信号提取出来,实现了微弱信号的提取。然而当信号中含有两个或多个频带太过接近或振幅比过小时,EMD分解不能将单频分量正确分离,会得到虚假的分量,这样影响了对于故障结果的判断。针对相近频率信号难以分离的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和奇异值分解相结合的方法。VMD分解是基于Alternate Direction Method of Multipliers(ADMM)优化算法通过迭代搜寻变分模型的最优解来得到每个分量的中心频率及带宽,从而能够自适应地实现信号在频域内分解以及各分量的有效分离。VMD分解具有坚实的理论基础,也有更强的噪声鲁棒性,在模态分离方面具有更高的频率分辨力。但是在用VMD分解信号时需要先设定要分解的模态层数。论文将VMD方法与奇异值分解相结合,利用VMD方法较强的抗噪能力和对相近频率信号的高分辨率特性,以及奇异值分解方法能有效去除虚假频率的特点,首先将信号用VMD分解,然后将获得的所有分量进行奇异值分解,通过奇异值分解检测虚假成分,选择适当的VMD分解层数,实现相近频率成分的有效分离。针对VMD分解得到的分量出现端点效应问题,采用卡尔曼滤波对端点处数据进行预测延拓,保证端点处信号能量不丢失。最后对VMD分解得到分量进行希尔伯特变换求其包络谱,准确的提取出故障信号的特征频率,实现故障的识别。
[Abstract]:......
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17

【相似文献】

相关期刊论文 前6条

1 萧宝瑾,郝炜;在强噪声中进行通信的新方法[J];太原理工大学学报;2001年05期

2 甘朝虹;陈新华;黄黎;;火箭强噪声试验装置跌落仿真分析[J];科学技术与工程;2012年29期

3 吴国清;自适应分段技术在回波分析中的应用[J];应用声学;1985年04期

4 马春燕,王钧利;高速公路上不同车型源强噪声及速度的统计分析[J];公路;2005年07期

5 ;强噪声多声源陡畸变高速列车轴承声学诊断理论基础研究[J];机械工程学报;2014年16期

6 ;[J];;年期

相关硕士学位论文 前2条

1 谷伟明;旋转机械强噪声中微弱故障特征提取的研究[D];燕山大学;2016年

2 赵晓雨;强噪声急性暴露对豚鼠机体和神经认知功能作用效应的研究[D];中国人民解放军军事医学科学院;2015年

，

本文编号：1349405