基于稀疏分解及圖像稀疏表征的滾動軸承微弱故障診斷.pdf

1、作為國民經(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，對其工作及運(yùn)行環(huán)境苛刻性的要求越來越高，同時對保證其長期安全運(yùn)行的監(jiān)測機(jī)制要求也愈來愈高。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-滾動軸承，其安全運(yùn)行與否往往決定著整個設(shè)備能否安全運(yùn)行。對滾動

2、軸承進(jìn)行有效、及時的故障診斷有著非常重要的安全及經(jīng)濟(jì)意義。然而，實際工程應(yīng)用中滾動軸承的故障特征往往表現(xiàn)得非常微弱，究其原因無異于以下三種情況：采集路徑較長以致信號衰減嚴(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軸承的故障診斷方法有著重要的實際工程應(yīng)用價值及安全經(jīng)濟(jì)意義。滾動軸承發(fā)生故障時其振動信號往往呈現(xiàn)出非高斯、非平穩(wěn)及非線性特性，傳統(tǒng)的信號處理方法不能再有效提取出滾動軸承發(fā)生故障時的非線性、非高

3、斯特征。稀疏分解方法是一種能有效匹配滾動軸承發(fā)生故障時沖擊信號特征的處理方法，并在滾動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)方法對滾動軸承微弱故障診斷進(jìn)行深入的理論及實驗研究；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際問題為出發(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，確立論文研究內(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)具體研究內(nèi)容奠定堅實的理論支撐。
　　(3)實際工程應(yīng)用中，某些設(shè)備在安裝振動傳感器時由于受實際條件的限制，造成信號采集路徑較長(傳感器安裝位置所采集到的振動信號離實際故障振源比較遠(yuǎn))以致信號衰減嚴(yán)重及受背景噪聲影響比較大，直接對此工況下采集到的信號進(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衰減的影響，能有效突出滾

6、動軸承發(fā)生故障時的瞬態(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軸承發(fā)生故障時的瞬態(tài)沖擊成份。將二者的優(yōu)點(diǎn)相結(jié)合用于滾動軸承的微弱故障特征提取，提出基于MED-稀疏分解的滾動軸承微弱故障診斷方法，通過仿真和實驗驗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于小波分析方法、總體經(jīng)驗?zāi)B(tài)分解方法、時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的稀疏分解方法，可以同時分解出信

7、號中的瞬態(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、并利用形態(tài)學(xué)分析方法建立信號稀疏表示的目標(biāo)函數(shù)進(jìn)而實現(xiàn)對滾動軸承發(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)滾動軸承發(fā)生復(fù)

8、合故障時，由于不同部位故障信號之間的相互干擾及耦合效應(yīng)，復(fù)合故障信號表現(xiàn)得非常復(fù)雜，基于信號處理的滾動軸承復(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現(xiàn)智能診斷是一個亟需解決的問題?；诖?，將圖像非負(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)矩陣分解方法對雙譜三維圖像進(jìn)行有效特征提取進(jìn)而實現(xiàn)滾動軸承復(fù)合故障的高效智能診斷。最后并