自适应特征尺度分解方法及其在旋转机械故障诊断中的应用

发布时间：2018-05-10 21:21

本文选题：故障诊断 + 自适应特征尺度分解　；参考：《湖南大学》2015年博士论文

【摘要】：旋转机械故障诊断技术的研究有着重要的意义,其关键在于故障特征信息的提取。然而,旋转机械的振动信号大都是非平稳信号。因此,采用合适的信号分析方法从复杂的振动信号中提取状态特征信息一直是研究的重点和热点。作为目前被公认的有效非平稳信号分析与处理手段,时频分析方法在旋转机械故障诊断领域得到了广泛应用。近年来,小波分析(Wavelet Analysis,WA)、经验模态分解(Empirical Mode Decomposition,EMD)、局部均值分解(Local Mean Decomposition,LMD)等时频分析方法由于适合处理复杂的振动信号,均已被应用到旋转机械故障诊断领域,并取得了许多有益的研究成果。但是,这些方法都具有一定的局限性。局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)是最近提出的一种自适应时频分析方法。该方法在定义瞬时频率具有物理意义的单分量信号—内禀尺度分量(Intrinsic Scale Component,ISC)基础上,通过提取数据本身的特征尺度参数,可自适应地将复杂信号分解为若干个ISC分量之和。相对EMD和LMD等方法,LCD方法在分解速度、抑制端点效应和模态混叠等方面具有一定优势。但LCD在均值曲线定义方面还存在一些不足,同时也存在模态混叠等问题,其理论也仍需进一步发展和完善。论文在国家自然科学基金项目(51075131)的资助下,对LCD方法的理论进行了进一步研究和完善,提出了一种新的自适应信号分解方法—自适应特征尺度分解(Adaptive Characteristic-scale Decomposition,ACD),并将ACD方法应用于旋转机械故障诊断。论文主要研究工作和创新点如下:(1)对LCD均值曲线进行了改进。(1)LCD均值曲线的插值点是由连接两相邻同类极值点的连线计算产生,插值点的属性主要由相邻两同类极值点的属性决定,因而可能降低分解精度。针对这一问题,提出了基于Lagrange插值的局部特征尺度分解(Lagrange Interpolation based Local Characteristic-scale Decomposition,LILCD)方法。(2)对于基于筛分的自适应信号分解方法,定义合理的均值曲线是其关键所在,均值曲线定义的优劣,对方法的精确性和有效性都有着直接的影响。针对这一问题,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。(2)对LCD模态混叠抑制方法进行了研究。(1)提出了基于微分算子的局部特征尺度分解(Differential Operator based Local Characteristic-scale Decomposition,DOLCD)方法。该方法通过改变原始信号各分量的幅值比,提升LCD抑制模态混叠的能力。(2)提出了致密局部特征尺度分解(Compact Local Characteristic-scale Decomposition,CLCD)方法。该方法通过确定待分解信号的最小信号极值尺度来度量其信号尺度,再采用新增伪极值点均匀化信号尺度的方法,可有效地抑制模态混叠的产生。(3)在对LCD方法研究的基础上,综合GLCD和CLCD的优势,并充分借鉴EMD和LCD等这类基于筛分的信号分解方法的思路,定义了一种新的瞬时频率具有物理意义的单分量信号—内禀致密尺度分量(Intrinsic Compact-scale Component,ICC),并提出了一种新的自适应信号分解方法—自适应特征尺度分解(ACD)。同时,给出ICC了分量评价准则。通过对ACD每阶筛分中由不同均值曲线和致密系数取值得到一组不同的分解分量进行对比,选取最优分量作为该阶筛分的ICC分量,从而保障最终分解效果优于LCD。(4)由于广义局部频率解调(General Local Frequency Demodulation,GLFD)采用的平滑算法可能无法很好地反应数据的波动性和变化规律,尤其在广义局部频率(General Local Frequency,GLF)和广义局部幅值(General Local Amplitude,GLA)的值存在突变时会出现较大偏差。针对这一问题,提出了改进的广义局部频率解调(Improved General Local Frequency Demodulation,IGLFD)方法。该方法采用强局部加权回归(Robust Locally Weighted Regression,RLWR)算法平滑GLF和GLA曲线以改进平滑效果,通过在GLF和GLA值序列中增加伪端点(Pseudo-endpoint,PE)来优化平滑跨度值的选择。(5)采用仿真信号和实验数据对上述方法分别进行验证,结果表明了方法的有效性。
[Abstract]:In recent years , the methods of wavelet analysis ( WA ) , Empirical Mode Decomposition ( EMD ) and Local Mean Decomposition ( LMD ) have been widely used in the field of rotating machinery fault diagnosis . ( 1 ) The interpolation point of the mean curve of the LCD is generated by the connection between two adjacent extremal points , the attribute of the interpolation point is mainly determined by the attribute of two adjacent extremal points , and the method of local characteristic scale decomposition ( LILCD ) based on the Lagrange interpolation is proposed . ( 3 ) Based on the research of LCD method , the advantages of GLCD and CLCD are integrated , and a new adaptive signal decomposition method - Adaptive Feature Scale Component ( ICC ) is proposed . A new adaptive signal decomposition method - Adaptive Feature Scale Component ( ICC ) is proposed . A new adaptive signal decomposition method called adaptive feature scale decomposition ( ACD ) is proposed .

【学位授予单位】：湖南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TH17

【相似文献】