基于时变自回归的非平稳信号建模及故障诊断应用研究

发布时间：2020-04-06 20:34

【摘要】： 机械故障诊断在现代生产中有着重要意义,从振动信号中提取反映机械设备振动状态的信息和参数是故障诊断的主要方法之一。然而故障的发生和发展、设备工况的变化以及设备自身的非线性,使机械设备的动态信号表现出非平稳性。传统的信号处理手段是将信号假定为平稳信号或局部平稳信号,这种方法势必影响到分析结果的准确性。对非平稳信号进行准确地建模,提取有用信息,抑制其他成分的干扰,将有助于提高信号的信噪比和故障诊断的质量。本课题在文献调研和资料研究的基础上,对现有振动信号分析和机械故障诊断技术的研究现状进行了综合分析,提出了时变自回归建模方法,该方法有着传统非参数化时频方法无法比拟的优势。并利用时变自回归方法得到的时频谱进行时频特征提取,利用BP神经网络进行故障的自动诊断,大大提高了故障诊断的简易性与准确性。针对复杂设备系统振动的非平稳性,本文提出了一种新的参数化非平稳信号处理方法,即时变自回归(TVAR)建模方法。该方法有效地克服了传统的时频分析方法分辨率低,存在交叉项干扰等缺点,明显提高故障诊断的准确性与可靠性。不同的信号类型对应的基函数的类型也不尽相同,如何根据信号本身的特性选择合适的基函数目前尚没有行之有效的方法与准则,基于此本文研究了不同基函数对分析结果的影响,并最终确定了不同基函数的适用范围。另外,模型的阶数直接影响到TVAR频率估计精度,本文还介绍了目前比较流行的模型定阶准则。特征提取是当前机械故障诊断中的瓶颈问题,它直接关系到故障诊断的准确性和早期预报的可靠性。因此,借助信号处理等手段从采集的原始数据中提取特征信息,保证有效、准确地进行故障诊断,是旋转机械故障诊断中必不可少的一个重要环节。本文介绍了基于时频分析的故障特征提取方法与基于时频谱的故障特征提取方法,并最终确定了基于能量分布的时频谱特征提取方法。实验证明,时变自回归算法能够准确地对非平稳信号进行参数化建模,得到分辨率较高的时频谱。另外,利用基于能量分布的时频谱特征提取技术能够有效地提取故障特征,为下一步基于神经网络的故障自动诊断的准确性提供了有利的技术保障,并结合BP神经网络进行故障自动识别,避免了由于人为原因造成的诊断失误。
【图文】：

算法流程图

BP算法流程图

极限制,频率估计,线性调频信号,算法

它的频率周期性变化；第三个信号为正弦波信号，它的频率存在跳跃。所有的信号都是实信号并且只有一个频率成分，，因此令模型阶数 p =2。分别采用LMS 算法、RLS 算法和一个极限制在单位圆上的 RLS 算法来分别对信号 1、信号 2 和信号 3 进行时变频率估计。LMS 算法中步长设为 0.5，RLS 算法中遗忘因子设为 0.7。采用适应算法的结果如图 2-1，图 2-2 和图 2-3。
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TH165.3

【参考文献】