基于自適應(yīng)最稀疏時頻分析的機械故障診斷方法.pdf

1、機械設(shè)備狀態(tài)監(jiān)測和故障診斷對于保證設(shè)備健康運行具有重要的作用。隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代機械設(shè)備越來越復(fù)雜，對機械故障診斷新技術(shù)和新方法的研究具有重要的意義。機械故障診斷技術(shù)的核心是故障特征的提取，設(shè)備運行中產(chǎn)生的振動信號包含了大量的設(shè)備狀態(tài)信息，因此，基于振動的診斷方法是非常有效的機械故障診斷方法。然而，機械振動信號比較復(fù)雜，常表現(xiàn)為非平穩(wěn)、多分量、多調(diào)制特征，且經(jīng)常會受到噪聲干擾。因此，研究一種合適的能夠準確提取故障特征信息的信號分析

2、處理方法具有重要的實際意義。
　　自適應(yīng)時頻分析方法在信號分解中根據(jù)信號本身的特性自動選擇基函數(shù)或參數(shù)，能夠有效提取機械故障振動信號的本質(zhì)特征，因此在機械故障診斷中得到了廣泛的應(yīng)用。自適應(yīng)最稀疏時頻分析(Adaptive and Sparsest Time-FrequencyAnalysis，ASTFA)方法是一種新的自適應(yīng)時頻分析方法，它以分解得到的單分量個數(shù)最少為優(yōu)化目標，以單分量的瞬時頻率具有物理意義為約束條件，通過求解最優(yōu)

3、化問題將信號自適應(yīng)地分解為若干個內(nèi)稟模態(tài)函數(shù)之和。ASTFA方法結(jié)合了EMD(Empirical Mode Decomposition，EMD)方法中將信號自適應(yīng)地分解為若干個內(nèi)稟模態(tài)函數(shù)之和與稀疏分解中在過完備字典庫中尋優(yōu)以獲得信號稀疏分解的優(yōu)點。論文在國家自然科學(xué)基金項目（編號:51375152）的資助下，對ASTFA方法的理論進行了研究與完善，并將ASTFA方法應(yīng)用于機械設(shè)備故障診斷。
　　論文的主要研究工作有:
　　

4、(1)對ASTFA方法進行了研究，將ASTFA方法與EMD、LCD(LocalCharacteristic-scale Decomposition，LCD)、LMD(Local Mean Decomposition，LMD)方法進行了對比，其分解結(jié)果的正交性、精確性等評價指標優(yōu)于EMD、LCD、LMD方法;對ASTFA方法的分解能力進行了研究;對ASTFA方法的抗模態(tài)混疊性能進行了研究，仿真和轉(zhuǎn)子故障信號的分析驗證了ASTFA方法在抑制

5、模態(tài)混淆方面的優(yōu)勢。
　　(2)從瞬時頻率計算對ASTFA方法進行理論解釋。ASTFA方法與EMD、LCD、LMD等方法具有理論共性，都是將復(fù)雜信號自適應(yīng)地分解為具有調(diào)幅部分和調(diào)頻部分乘積形式的單分量信號之和。但是，ASTFA方法可以直接計算信號的瞬時頻率，不用通過歸一化的方法得到純調(diào)頻信號，再進行瞬時頻率計算，避免了極值點處存在的波動和估計誤差，具有明顯的優(yōu)越性。
　　(3)從濾波器設(shè)計對ASTFA方法進行解釋。ASTFA

6、方法將信號由時間域轉(zhuǎn)化到相位域，基于數(shù)據(jù)本身相位函數(shù)的驅(qū)動來設(shè)計自適應(yīng)濾波器，即:通過選擇合適的初始相位函數(shù)和平滑度控制參數(shù)來設(shè)計符合要求的濾波器，從而實現(xiàn)信號的自適應(yīng)分解。
　　(4)針對ASTFA方法初始相位函數(shù)的選擇問題，提出了基于一維精確搜索的ASTFA方法和基于遺傳算法(Genetic Algorithm，GA)的ASTFA方法。兩種改進的ASTFA方法都是基于初始相位函數(shù)的最優(yōu)選擇而提出，解決了原始ASTFA方法中初始

7、相位函數(shù)選擇問題。
　　(5)研究了ASTFA方法在齒輪故障診斷中的應(yīng)用，提出了基于ASTFA的瞬時幅值譜和瞬時頻率譜方法;提出了基于ASTFA的多尺度模糊熵偏均值(PartialMean MFE，PMMFE)的齒輪故障診斷方法;研究了ASTFA方法在齒輪箱復(fù)合故障診斷中的應(yīng)用;研究了ASTFA方法在行星齒輪箱故障診斷中的應(yīng)用。
　　(6)研究了ASTFA方法在變速工況下機械設(shè)備故障診斷中的應(yīng)用。提出了基于ASTFA的階次方