基于局域均值分解的机械故障诊断方法研究

发布时间：2020-06-19 08:46

【摘要】： 本文在国家自然科学基金(50775208)和河南省教育厅自然科学基金(2008C460003,2006460005)资助下,将局域均值分解(Local Mean Decomposition, LMD)引入到机械故障诊断领域,对基于局域均值分解的机械故障诊断方法进行了深入研究,并取得了创新成果,得到了一些有价值的结论。本论文的主要内容如下：第1章、论述了本课题提出的意义；讨论了时频分析的发展现状及其国内外研究现状；阐述了局域均值分解的发展及在国内外的研究应用现状；提出了本课题的总体框架和创新点。第2章、详细论述了局域均值分解的基本理论、算法和特点,并和经验模态分解(Empirical Mode Decomposition,EMD)进行了对比分析。LMD分解可以得到具有明显物理意义的生产函数(production function,PF)分量,能更好地揭示系统的非线性、非平稳特性,鉴于LMD良好的自适应性,将该方法引入到机械故障诊断中,提出了基于LMD的机械故障诊断方法,并给出了实现的主要步骤。仿真研究表明,该方法能很好地自适应性处理非平稳信号,能有效地提取出具有明显的物理意义的瞬时频率分量,不会造成信息的遗失。最后,将提出的方法应用到滚动轴承故障诊断中,通过轴承故障的分析,进一步验证了提出的方法的有效性。第3章、论述了Wigner高阶矩谱的定义和算法；针对Wigner高阶矩谱受到交叉项影响的不足,提出了一种基于局域均值分解和Wigner高阶矩谱的机械故障诊断方法,该方法首先对故障信号进行LMD分解,得到具有单分量性质的生产分量,然后从这些生产分量中找出包含原始信号信息的“真实分量”,通过对真实分量求Wigner双谱,然后再进行叠加,便可有效的抑制Wigner高阶矩谱交叉项的干扰。仿真结果表明,与直接Wigner双谱相比较,交叉干扰项得到了有效的抑制,非常好的保持了原信号的性质；与采用Choi-Williams核滤波得到的Wigner双谱相比较,更能真实地再现信号的时频特性。最后,将提出的方法用于轴承的故障诊断,实验结果再次证明了该方法的有效性,提出的方法为Wigner高阶矩谱交叉项的抑制提供了一种新的途径。第4章、论述了盲源分离的的基本理论和基本算法；结合LMD和BSS各自的特点,提出了一种基于LMD的机械故障欠定盲源分离方法,在提出的方法中,利用LMD对观测信号进行分解,得到一系列的生产函数分量,将所得到的生产函数分量和原观测信号组成新的观测信号,然后,对构成的新观测信号进行白化处理和联合近似对角化,得到源信号的估计。仿真结果表明,提出的方法优于传统时频域的盲源分离方法,能有效地处理非平稳信号的欠定盲分离。最后,将提出的方法应用到滚动轴承的混合故障分离中,实验结果进一步验证了该方法的有效性。第5章、将局域均值分解(LMD)、包络分析和支持向量机(SVM)相结合,提出了基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的PF分量,然后,再对前面几个PF分量进行络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果表明,提出的方法是有效的,可以有效地识别滚动轴承的不同故障。第6章、对本文的工作进行了总结,并对下一步要进行的工作进行了展望。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TH165.3

【参考文献】