基于振動信號的旋轉(zhuǎn)機械故障特征提取方法研究.pdf

1、旋轉(zhuǎn)機械設(shè)備故障的盡早診斷識別是避免產(chǎn)生重大生產(chǎn)事故的有效手段，其關(guān)鍵問題是如何精確提取故障特征。基于振動信號分析技術(shù)的故障特征提取方法具有實時性強、可靠性高和便捷等優(yōu)點，已經(jīng)獲得廣泛采用。然而，旋轉(zhuǎn)機械故障信息往往較弱且信噪比低，有用信息通常被無關(guān)設(shè)備的振動和環(huán)境噪聲等非故障信息所淹沒，以致傳統(tǒng)信號分析方法或單一的現(xiàn)代信號技術(shù)往往難以進行有效的故障特征提取。本文以振動信號分析技術(shù)為主要分析手段，以齒輪箱為主要研究對象，深入研究了形態(tài)小

2、波和FastICA算法在旋轉(zhuǎn)機械故障信號特征提取中的應(yīng)用途徑，并將自適應(yīng)形態(tài)梯度提升小波(AMGLW)、改進的FastICA與峭度等理論相結(jié)合，建立了以AMGLW-rFastICA-峭度綜合分析法為基本框架的旋轉(zhuǎn)機械故障特征提取體系，研究內(nèi)容主要包括以下幾個方面：
　　(1)介紹了齒輪箱的核心部件齒輪及滾動軸承的振動故障機理，并分析了其故障信號特征，為后續(xù)的故障特征識別奠定了基礎(chǔ)。
　　(2)針對實際觀測信號中包含強背景噪聲

3、的問題，采用具有更好降噪性能的AMGLW算法進行降噪預(yù)處理，并對其步驟及其優(yōu)勢進行詳細的解析，最后通過仿真信號分析，與傳統(tǒng)形態(tài)濾波和形態(tài)提升小波的降噪效果進行對比分析，驗證了AMGLW降噪的有效性及優(yōu)越性。
　　(3)針對觀測信號由多振動源非線性混合而成，在深入研究了FastICA算法的基礎(chǔ)上，采用具有更好收斂穩(wěn)定性的rFastICA算法對觀測信號進行解耦分離，使故障特征信息得到增強，最后通過仿真信號分析驗證了rFastICA算法

4、具有更好的分離性能，并深入探討了噪聲及源信號的非高斯性對rFastICA算法分離性能的影響。
　　(4)針對識別包含故障特征信息的分離信號問題，引入了峭度指標，利用其對故障沖擊信號的敏感性來判斷分離信號是否包含故障特征信息，并通過仿真分析驗證了峭度的優(yōu)良識別能力。
　　(5)基于上述的研究，從優(yōu)勢互補的角度出發(fā)，提出了AMGLW-rFastICA-峭度綜合分析法，用來從復(fù)雜的觀測振動信號中有效提取出微弱的故障特征信息，最后通