经验小波变换在轴承故障特征提取中的应用研究
发布时间：2021-01-18 02:05
信号自适应分解方法能根据信号本身的特征将复杂信号分解成一系列简单分量之和,在故障诊断中被广泛用来消除噪声和提取故障特征。为了提高经验小波变换（Empirical Wavelet Transform,EWT）提取轴承故障特征的能力,本文开展了自适应信号分解方法对比分析研究,取得以下成果:对比分析了常用自适应信号分解方法的分解方式、分解成份和分解能力。证明经验小波变换在抗模态混叠和分解时间方面明显优于经验模态分解,因而更适用于轴承振动信号故障特征提取。EWT在对信号进行分解时,必须通过傅里叶谱的合理分割来达到良好的效果。针对实际信号复杂多变,经验小波变换实施不变的问题,提出了改进经验小波变换（Improved Empirical Wavelet Transform,IEWT）算法。该算法引入循环包络分析,采用“locmaxmin”方法分割信号频谱,获取多个单分量;然后采用Pearson相关系数衡量相邻分量间的关联度,将关联度高的单分量合并,作为新的分割策略。仿真信号分析证明了该方法能更高效合理地进行频谱分割。为提高轴承故障特征提取效率,提出了熵价值评价方法,用于对改进经验小波变换分解得到的...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２－１端点效应问题??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??时间ｆ／ｓ??图２－１端点效应问题??Ｆｉｇ．?２－１?Ｅｎｄｐｏｉｎｔ?ｅｆｆｅｃｔ?ｐｒｏｂｌｅｍ??（２）模态混叠问题??除了上面讨论的缺点之外，ＥＭＤ的另一个突出缺点是模态混叠其被定义??为包括显著属于不同尺度的单个振荡分量，或者存在于不同分量中的类似尺度的??分量。正如Ｈｕａｎｇ等人所讨论的那样，这会使个别ＩＭＦ的物理意义模糊不清。为??了清楚地理解，我们使用式（２－３）所示的仿真信号来说明模态混叠的问题：??＾（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／）??图２－２显示了仿真信号的ＥＭＤ分解结果。可以看出，ＥＭＤ分解得到的结果??中，不但原仿真信号的分量１和分量２没有分离开，混叠成了一个新的分量，而??且出现了多个虚假分量。??模态混叠问题是由于信号时频尺度不连续引发的结果。总结产生模态混叠问??题的情况主要有以下几种［６８］：??（１）
ＥＷＴ能够达到适应性的关键在于信号频谱分割操作。假定傅里叶支撑［０，?７１］??被分割成Ｗ个连续的频带（下一部分将介绍频带划分问题）。依据Ｓｈａｎｎｏｎ准则的??要求，在分析过程中把信号的傅里叶频谱定义在［０，司范围内。如图２－３，将礼表??示为每个段之间的边界（其中＜ｙ？＝０和叫＝７〇，每个段表示为Ａｎ＝［叫，叫］，那??么很容易看出，Ｕ二八？＝［０，?７１］。以每个％为中心，定义了宽度２ｒ？的过渡阶段Ｔ??（图２－３中的灰色阴影区域）。??３１１通丄??ａ＼?＾２?（〇？?ｈ?ｎ??图２－３?ＥＷＴ分解频谱分区??Ｆｉｇ．?２－３?ＥＷＴ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｓｐｅｃｔｒｕｍ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｄｉａｇｒａｍ??对Ｖ？＞０，分别通过等式（２－７）和（２－８）定义经验尺度函数和经验小??波函数么（《）：??１?＼（〇＼?＜?＜ｙ，?－?ｒ，??＾，（ｆｉ；）?＝?］ｃｏｓ?－ｐ?—?（１＾１－６；，＋ｒ，）?（〇，－＾＜＼（〇＼＜〇｝，＋＾?（２－７）??Ｌ２?）＼??［〇?其他??１３??
【参考文献】：
期刊论文
[1]改进经验小波变换的齿轮箱故障诊断新方法与应用[J]. 王昌明,张征,李峰,鲁聪达. 噪声与振动控制. 2018(05)
[2]基于双树复小波分解的风机齿轮箱故障诊断[J]. 刘清清,杨江天,尹子栋. 北京交通大学学报. 2018(04)
[3]一种自适应频率窗经验小波变换的滚动轴承故障诊断方法[J]. 邓飞跃,强亚文,杨绍普,郝如江,刘永强. 西安交通大学学报. 2018(08)
[4]采用经验小波变换的风力发电机振动信号消噪[J]. 陈学军,杨永明. 浙江大学学报(工学版). 2018(05)
[5]改进的经验小波变换在滚动轴承故障诊断中的应用[J]. 朱艳萍,包文杰,涂晓彤,胡越,李富才. 噪声与振动控制. 2018(01)
[6]基于IMF熵价值的轮对轴承故障自适应诊断[J]. 易彩,林建辉,丁建明,张卫华. 铁道学报. 2017(10)
[7]信号自适应分解对比研究及其在机车轴承故障诊断中的应用[J]. 魏勇召,赵明元,杨江天. 机车电传动. 2017(04)
[8]基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J]. 王友仁,陈伟,孙灿飞,孙权,黄海安. 中国机械工程. 2017(12)
[9]采用改进HVD与Lempel-Ziv复杂性测度的滚动轴承早期损伤程度评估方法[J]. 夏平,徐华,马再超,雷默涵,裴世源,谯自健. 西安交通大学学报. 2017(06)
[10]基于经验小波变换的振动信号分析[J]. 陈学军,杨永明. 太阳能学报. 2017(02)
硕士论文
[1]新颖的自适应时频分布方法及在故障诊断中应用研究[D]. 朱明.南昌航空大学 2015
[2]信号自适应分解及其在轨道车辆故障诊断中的应用[D]. 陈欣安.北京交通大学 2015
[3]基于EMD的滚动轴承故障诊断方法的研究[D]. 陆小明.苏州大学 2012
本文编号：2984049
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
图２－１端点效应问题??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??时间ｆ／ｓ??图２－１端点效应问题??Ｆｉｇ．?２－１?Ｅｎｄｐｏｉｎｔ?ｅｆｆｅｃｔ?ｐｒｏｂｌｅｍ??（２）模态混叠问题??除了上面讨论的缺点之外，ＥＭＤ的另一个突出缺点是模态混叠其被定义??为包括显著属于不同尺度的单个振荡分量，或者存在于不同分量中的类似尺度的??分量。正如Ｈｕａｎｇ等人所讨论的那样，这会使个别ＩＭＦ的物理意义模糊不清。为??了清楚地理解，我们使用式（２－３）所示的仿真信号来说明模态混叠的问题：??＾（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／）??图２－２显示了仿真信号的ＥＭＤ分解结果。可以看出，ＥＭＤ分解得到的结果??中，不但原仿真信号的分量１和分量２没有分离开，混叠成了一个新的分量，而??且出现了多个虚假分量。??模态混叠问题是由于信号时频尺度不连续引发的结果。总结产生模态混叠问??题的情况主要有以下几种［６８］：??（１）
ＥＷＴ能够达到适应性的关键在于信号频谱分割操作。假定傅里叶支撑［０，?７１］??被分割成Ｗ个连续的频带（下一部分将介绍频带划分问题）。依据Ｓｈａｎｎｏｎ准则的??要求，在分析过程中把信号的傅里叶频谱定义在［０，司范围内。如图２－３，将礼表??示为每个段之间的边界（其中＜ｙ？＝０和叫＝７〇，每个段表示为Ａｎ＝［叫，叫］，那??么很容易看出，Ｕ二八？＝［０，?７１］。以每个％为中心，定义了宽度２ｒ？的过渡阶段Ｔ??（图２－３中的灰色阴影区域）。??３１１通丄??ａ＼?＾２?（〇？?ｈ?ｎ??图２－３?ＥＷＴ分解频谱分区??Ｆｉｇ．?２－３?ＥＷＴ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｓｐｅｃｔｒｕｍ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｄｉａｇｒａｍ??对Ｖ？＞０，分别通过等式（２－７）和（２－８）定义经验尺度函数和经验小??波函数么（《）：??１?＼（〇＼?＜?＜ｙ，?－?ｒ，??＾，（ｆｉ；）?＝?］ｃｏｓ?－ｐ?—?（１＾１－６；，＋ｒ，）?（〇，－＾＜＼（〇＼＜〇｝，＋＾?（２－７）??Ｌ２?）＼??［〇?其他??１３??
【参考文献】：
期刊论文
[1]改进经验小波变换的齿轮箱故障诊断新方法与应用[J]. 王昌明,张征,李峰,鲁聪达. 噪声与振动控制. 2018(05)
[2]基于双树复小波分解的风机齿轮箱故障诊断[J]. 刘清清,杨江天,尹子栋. 北京交通大学学报. 2018(04)
[3]一种自适应频率窗经验小波变换的滚动轴承故障诊断方法[J]. 邓飞跃,强亚文,杨绍普,郝如江,刘永强. 西安交通大学学报. 2018(08)
[4]采用经验小波变换的风力发电机振动信号消噪[J]. 陈学军,杨永明. 浙江大学学报(工学版). 2018(05)
[5]改进的经验小波变换在滚动轴承故障诊断中的应用[J]. 朱艳萍,包文杰,涂晓彤,胡越,李富才. 噪声与振动控制. 2018(01)
[6]基于IMF熵价值的轮对轴承故障自适应诊断[J]. 易彩,林建辉,丁建明,张卫华. 铁道学报. 2017(10)
[7]信号自适应分解对比研究及其在机车轴承故障诊断中的应用[J]. 魏勇召,赵明元,杨江天. 机车电传动. 2017(04)
[8]基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J]. 王友仁,陈伟,孙灿飞,孙权,黄海安. 中国机械工程. 2017(12)
[9]采用改进HVD与Lempel-Ziv复杂性测度的滚动轴承早期损伤程度评估方法[J]. 夏平,徐华,马再超,雷默涵,裴世源,谯自健. 西安交通大学学报. 2017(06)
[10]基于经验小波变换的振动信号分析[J]. 陈学军,杨永明. 太阳能学报. 2017(02)
硕士论文
[1]新颖的自适应时频分布方法及在故障诊断中应用研究[D]. 朱明.南昌航空大学 2015
[2]信号自适应分解及其在轨道车辆故障诊断中的应用[D]. 陈欣安.北京交通大学 2015
[3]基于EMD的滚动轴承故障诊断方法的研究[D]. 陆小明.苏州大学 2012
本文编号：2984049
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2984049.html
