基于集合经验模态分解的转子故障特征提取和分类识别

发布时间：2020-04-05 20:57

【摘要】：机械设备的可靠性问题在随着“中国制造2025”的提倡落实、中国的工业化进程不断扩大和升级的过程中,显得越突出。转子作为常见旋转机械的主要传动件,其运行状态关系设备使用方的直接利益。保障转子设备的安全可靠性即需要在问题故障发生的早期、程度较轻时就得到准确的检测和诊断。本文目标面向旋转机械的主要传动部件——转子系统,提出一种自适应的时频分析故障诊断方法和多种故障模式识别方法,针对转子早期轻度故障特征微弱不易诊断的问题进行研究。针对转子故障诊断过程中尤为重要的特征提取和分类识别两块内容,通过实验数据的处理来解决具体的诊断问题。考虑经验模态分解的自适应性分解信号的优点,选择集合经验模态分解方法作为特征提取方法和分类识别方法的基础。在此之上提出了基于加权思想的小波阈值降噪方法对信号进行预处理,降低特征提取过程中的干扰因素;选用峭度原则对EEMD分解结果进行故障信号的筛选重构,提高转子早期轻度故障振动的能量占比;在对所提出特征提取方法效果进行分析时发现该方法的有效性没有达到预期的针对全部故障形式有效,采用希尔伯特-黄变换分析方法的特征提取结果作为对比说来说明提出方法的最终效果;最后结合的具有数理统计优势的自回归模型和小样本训练高准确性的支持向量机方法对转子系统的常见故障进行分类识别。最终通过仿真实验验证了改进小波阈值降噪方法在信号降噪预处理方面的有效性,以及基于峭度原则的EEMD特征提取方法的性能;通过实验进一步对具体的5种常见转子故障形式进行特征提取和诊断,对比希尔伯特-黄分析方法结果发现对于不同振动激励方式产生的故障形式两种方法均不能完全保障有效性,但是提出的基于峭度原则的EEMD特征提取方法有效性能更好且物理意义更为明确;基于支持向量机的转子故障分类识别方法也由实验数据验证了其100%的分类识别精度。
【图文】：

图 2-5 转子振动动力学模型考虑转子系统质量不平衡和不对中穷情况存在，y 与 z 方向上同时存在不平衡力与弯矩，利用模态坐标 p 的变换可推导得出整个转子系统的质量-弹簧-阻尼系统下的动力学方程：Mp kp Q (2-1式中，M 为当量质量，K 为弹性系数，Q 为外界激励，包含不平衡力矩阵 Qa和弯矩矩阵 Qb，则根据式(2-1)可得到含故障激励时的转子振动动力学方程：Ma bp kp Q Q (2-2式中，弯矩bQ 成对出现。由式 2-2 可以看出，系统的故障振动响应主要由最终作用在转子上的不平衡力和不对中弯矩对系统的作用构成。则系统的不同故障响应特征应从系统对不平

21IMF3 功率谱 IMF6 功率谱(c) 前 6 项 IMF 分量功率谱图 3-1 EMD 分解高斯白噪声部分 IMF 分量及功率谱由上图中可以得出以下信息：(1) 对高斯白噪声信号进行 EMD 分解的结果 IMF 分量是按照分解顺序以此分离出由高到低的频带成分。即 EMD 对高斯噪声信号的分解作用起到了一个带通滤波器组的功能，从第一个 IMF 分量的计算开始，，类似于高通滤波器的效果分离出原始信号的高频成分，逐步降低带通滤波范围至最后的低频振动成分。(2) 从最终的结果来看，EMD 分解所具有的带通滤波效果中，滤波频带是
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133

【参考文献】

相关期刊论文 前10条

1 马辉;杨健;宋溶泽;能海强;闻邦椿;;转子系统碰摩故障实验研究进展与展望[J];振动与冲击;2014年06期

2 姚朝龙;刘立龙;;基于改进阈值法的小波去噪研究[J];测绘工程;2012年03期

3 张玲;;旋转机械转子不平衡故障诊断与处理[J];石油和化工设备;2012年03期

4 王晓伟;刘占生;张广辉;窦唯;;基于声发射的可倾瓦径向滑动轴承碰摩故障诊断[J];中国电机工程学报;2009年08期

5 郑长松;马彪;马源;;基于油液光谱分析的综合传动状态监测试验研究[J];光谱学与光谱分析;2009年03期

6 李学军;廖传军;褚福磊;;适于声发射信号故障特征提取的小波函数[J];机械工程学报;2008年03期

7 胡劲松;杨世锡;;基于自相关的旋转机械振动信号EMD分解方法研究[J];机械强度;2007年03期

8 张建民,徐小力,许宝杰,王红军;面向机电系统状态监测与故障诊断的现代技术[J];北京理工大学学报;2004年09期

9 杨世锡,胡劲松,吴昭同,严拱标;旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较[J];中国电机工程学报;2003年06期

10 冯志鹏,宋希庚,薛冬新,谢宇,邓东风;旋转机械振动故障诊断理论与技术进展综述[J];振动与冲击;2001年04期

相关博士学位论文 前6条

1 蒋超;基于EEMD与MED的冲击信号自适应故障特征提取方法[D];上海大学;2016年

2 卢磊;机械加工过程中的早期故障微弱信号处理方法研究[D];哈尔滨工业大学;2016年

3 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

4 吴斌;旋转机械易损关键零部件故障诊断方法研究[D];大连理工大学;2012年

5 熊卫华;经验模态分解方法及其在变压器状态监测中的应用研究[D];浙江大学;2006年

6 杨宇;基于EMD和支持向量机的旋转机械故障诊断方法研究[D];湖南大学;2005年

相关硕士学位论文 前4条

1 栗祥;基于EMD与SVM的航空发动机转子系统故障诊断[D];西安工业大学;2017年

2 胡鑫;转子状态监测中故障特征选择及提取技术研究[D];哈尔滨工程大学;2014年

3 杨文瑛;基于经验模态分解的转子故障信号熵特征提取研究[D];兰州理工大学;2012年

4 陈淼峰;基于EMD与支持向量机的转子故障诊断方法研究[D];湖南大学;2005年

本文编号：2615522