基于稀疏分解及圖像稀疏表征的滾動(dòng)軸承微弱故障診斷.pdf

1、作為國(guó)民經(jīng)濟(jì)支柱型企業(yè)中的關(guān)鍵大型現(xiàn)代化旋轉(zhuǎn)機(jī)械設(shè)備，對(duì)其工作及運(yùn)行環(huán)境苛刻性的要求越來(lái)越高，同時(shí)對(duì)保證其長(zhǎng)期安全運(yùn)行的監(jiān)測(cè)機(jī)制要求也愈來(lái)愈高。設(shè)備能否安全運(yùn)行不僅牽涉到企業(yè)經(jīng)濟(jì)利益，而且關(guān)系到操作設(shè)備員工的生命財(cái)產(chǎn)的安全保證與否。能否有效提取出旋轉(zhuǎn)機(jī)械的微弱故障特征，進(jìn)而制定有效的針對(duì)治理措施以確保設(shè)備的安全高效運(yùn)行顯得尤為重要。
　　作為旋轉(zhuǎn)機(jī)械中廣泛應(yīng)用的零部件-滾動(dòng)軸承，其安全運(yùn)行與否往往決定著整個(gè)設(shè)備能否安全運(yùn)行。對(duì)滾動(dòng)

2、軸承進(jìn)行有效、及時(shí)的故障診斷有著非常重要的安全及經(jīng)濟(jì)意義。然而，實(shí)際工程應(yīng)用中滾動(dòng)軸承的故障特征往往表現(xiàn)得非常微弱，究其原因無(wú)異于以下三種情況：采集路徑較長(zhǎng)以致信號(hào)衰減嚴(yán)重；早期微弱故障階段及其他噪源干擾嚴(yán)重；復(fù)合故障狀態(tài)下。研究上述三種情況下滾動(dòng)軸承的故障診斷方法有著重要的實(shí)際工程應(yīng)用價(jià)值及安全經(jīng)濟(jì)意義。滾動(dòng)軸承發(fā)生故障時(shí)其振動(dòng)信號(hào)往往呈現(xiàn)出非高斯、非平穩(wěn)及非線(xiàn)性特性，傳統(tǒng)的信號(hào)處理方法不能再有效提取出滾動(dòng)軸承發(fā)生故障時(shí)的非線(xiàn)性、非高

3、斯特征。稀疏分解方法是一種能有效匹配滾動(dòng)軸承發(fā)生故障時(shí)沖擊信號(hào)特征的處理方法，并在滾動(dòng)軸承的故障診斷中已經(jīng)取得了一定應(yīng)用。基于此，本文在經(jīng)典稀疏分解方法的基礎(chǔ)上提出改進(jìn)方法對(duì)滾動(dòng)軸承微弱故障診斷進(jìn)行深入的理論及實(shí)驗(yàn)研究；借鑒圖像非負(fù)矩陣分解處理的思想，將非負(fù)矩陣分解方法與稀疏分解的思想相結(jié)合，提出基于雙譜圖像稀疏性非負(fù)矩陣分解的滾動(dòng)軸承復(fù)合故障診斷方法。
　　論文的主要內(nèi)容包括以下幾個(gè)方面：
　　(1)首先以旋轉(zhuǎn)機(jī)械微弱故障

4、特征提取所面臨的理論及實(shí)際問(wèn)題為出發(fā)點(diǎn)，闡述本學(xué)位論文的研究背景及其相關(guān)重要意義?？偨Y(jié)近年來(lái)關(guān)于機(jī)械設(shè)備的相關(guān)故障診斷方法、智能診斷方法以及圖像稀疏表征等方面的國(guó)內(nèi)外研究現(xiàn)狀并分析所總結(jié)方法的利弊，確立論文研究?jī)?nèi)容。
　　(2)詳細(xì)介紹了稀疏分解的基本思想、基礎(chǔ)數(shù)學(xué)理論、常用的典型求解算法、稀疏性度量及冗余字典的構(gòu)建等內(nèi)容；簡(jiǎn)要介紹基于稀疏分解思想的圖像稀疏表征的發(fā)展歷程，并對(duì)圖像稀疏表征的多尺度幾何分析方法作以詳細(xì)的介紹。此章節(jié)

5、的內(nèi)容為后續(xù)章節(jié)具體研究?jī)?nèi)容奠定堅(jiān)實(shí)的理論支撐。
　　(3)實(shí)際工程應(yīng)用中，某些設(shè)備在安裝振動(dòng)傳感器時(shí)由于受實(shí)際條件的限制，造成信號(hào)采集路徑較長(zhǎng)(傳感器安裝位置所采集到的振動(dòng)信號(hào)離實(shí)際故障振源比較遠(yuǎn))以致信號(hào)衰減嚴(yán)重及受背景噪聲影響比較大，直接對(duì)此工況下采集到的信號(hào)進(jìn)行故障特征提取很難取得好的效果。最小熵解卷積(Minimum Entropy De-convolution，MED)方法有效減弱了采集路徑信號(hào)衰減的影響，能有效突出滾

6、動(dòng)軸承發(fā)生故障時(shí)的瞬態(tài)沖擊成份；稀疏分解算法能用最佳的原子去有效的匹配滾動(dòng)軸承發(fā)生故障時(shí)的瞬態(tài)沖擊成份。將二者的優(yōu)點(diǎn)相結(jié)合用于滾動(dòng)軸承的微弱故障特征提取，提出基于MED-稀疏分解的滾動(dòng)軸承微弱故障診斷方法，通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證了所述方法的有效性及優(yōu)點(diǎn)。并比較了所述方法相對(duì)于小波分析方法、總體經(jīng)驗(yàn)?zāi)B(tài)分解方法、時(shí)頻切片小波變換方法及基于譜峭度處理方法的優(yōu)點(diǎn)。
　　(4)共振稀疏分解方法是一種基于多字典庫(kù)的稀疏分解方法，可以同時(shí)分解出信

7、號(hào)中的瞬態(tài)沖擊成分及其持續(xù)震蕩成分(工頻及其諧頻成分)。該方法在EEMD前處理基礎(chǔ)上，對(duì)分解后峭度指標(biāo)最大的固有模態(tài)函數(shù)分量進(jìn)行共振稀疏分解分析：根據(jù)共振稀疏分解中信號(hào)品質(zhì)因子的定義，分別構(gòu)建高、低品質(zhì)因子小波基函數(shù)字典庫(kù)、并利用形態(tài)學(xué)分析方法建立信號(hào)稀疏表示的目標(biāo)函數(shù)進(jìn)而實(shí)現(xiàn)對(duì)滾動(dòng)軸承發(fā)生早期微弱故障或受其他高品質(zhì)因子噪源干擾嚴(yán)重時(shí)具有低品質(zhì)因子的瞬態(tài)故障成份及其他持續(xù)振蕩高品質(zhì)因子噪聲成份的成功分離。
　　(5)滾動(dòng)軸承發(fā)生復(fù)

8、合故障時(shí)，由于不同部位故障信號(hào)之間的相互干擾及耦合效應(yīng)，復(fù)合故障信號(hào)表現(xiàn)得非常復(fù)雜，基于信號(hào)處理的滾動(dòng)軸承復(fù)合故障方法往往難以取得好的效果。雙譜三維圖像信息比單純頻譜蘊(yùn)含更多故障信息，適用于滾動(dòng)軸承復(fù)合故障特征提取。但是如何有效精煉的提取三維圖譜的特征以實(shí)現(xiàn)智能診斷是一個(gè)亟需解決的問(wèn)題?；诖耍瑢D像非負(fù)矩陣分解與稀疏分解的思想相結(jié)合，提出稀疏性非負(fù)矩陣分解方法對(duì)雙譜三維圖像進(jìn)行有效特征提取進(jìn)而實(shí)現(xiàn)滾動(dòng)軸承復(fù)合故障的高效智能診斷。最后并