機(jī)械故障稀疏特征提取及診斷方法研究.pdf

1、機(jī)械設(shè)備是現(xiàn)代化生產(chǎn)的重要工具，對(duì)其開展運(yùn)行狀態(tài)監(jiān)測(cè)及故障診斷對(duì)于保障安全化生產(chǎn)具有重要意義。識(shí)別早期故障征兆并提取故障特征，是機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷的關(guān)鍵。近年來(lái)快速發(fā)展的信號(hào)稀疏表示理論，為基于振動(dòng)分析的早期故障特征提取及診斷提供了強(qiáng)有力的工具。本論文以國(guó)家自然科學(xué)基金項(xiàng)目“低速重載機(jī)械早期故障稀疏特征識(shí)別的研究”為依托，以信號(hào)稀疏表示為主要理論工具，圍繞機(jī)械設(shè)備易發(fā)生故障部件——軸承和齒輪的早期故障特征提取及診斷開展了深入研究

2、。主要研究?jī)?nèi)容如下:
　　1.針對(duì)早期故障特征易被噪聲覆蓋而難以準(zhǔn)確提取的問(wèn)題，提出了基于可調(diào)Q因子小波變換的早期故障特征提取方法。該方法先利用可調(diào)Q因子小波變換對(duì)設(shè)備的振動(dòng)信號(hào)在不同的Q因子和尺度下分解，以峭度值最大原則確定最佳的Q因子和尺度帶，再利用相鄰系數(shù)降噪方法處理尺度帶內(nèi)的變換系數(shù)，最后通過(guò)小波逆變換提取故障特征。實(shí)驗(yàn)研究表明，該方法可有效提取設(shè)備在中速運(yùn)轉(zhuǎn)下的早期故障特征，相比于傳統(tǒng)小波方法，其提取結(jié)果噪聲更小，包絡(luò)譜

3、圖上故障特征頻率更突出。
　　2.針對(duì)利用稀疏表示原理對(duì)早期故障特征提取時(shí)、準(zhǔn)確匹配特征成分的字典難以構(gòu)造的問(wèn)題，提出了基于字典學(xué)習(xí)的早期故障稀疏特征提取方法。該方法以故障信號(hào)與正常信號(hào)的差值為訓(xùn)練信號(hào)，利用改進(jìn)型K均值奇異值分解字典學(xué)習(xí)算法構(gòu)造匹配特征成分的字典;在稀疏分解過(guò)程中，通過(guò)計(jì)算每次迭代后逼近信號(hào)的峭度值，找出峭度值最大時(shí)對(duì)應(yīng)的逼近信號(hào)，自適應(yīng)確定特征成分與噪聲成分的稀疏分解分界點(diǎn)。對(duì)比實(shí)驗(yàn)結(jié)果表明，該方法可有效提取設(shè)

4、備在低速運(yùn)轉(zhuǎn)下的早期故障特征，相比于參數(shù)化的字典，其提取結(jié)果具有更高的精度。
　　3.針對(duì)故障部件參數(shù)未知的單一故障診斷問(wèn)題，提出了基于組稀疏分類的故障診斷方法。該方法先將已知故障類型的訓(xùn)練樣本和未知故障類型的待測(cè)樣本轉(zhuǎn)換至頻域，利用訓(xùn)練樣本的頻域系數(shù)組合成稀疏分解的字典，再將待測(cè)樣本的頻域系數(shù)在該字典上進(jìn)行組稀疏分解，最后根據(jù)各組重構(gòu)誤差的最小值所在的類別確定故障類型。通過(guò)故障實(shí)驗(yàn)測(cè)試，驗(yàn)證了該方法在理論特征頻率的未知情況下，可

5、準(zhǔn)確診斷出滾動(dòng)軸承和齒輪的單一故障類型。
　　4.針對(duì)故障部件參數(shù)未知的復(fù)合故障診斷問(wèn)題，提出了基于小波包系數(shù)稀疏分類的故障診斷方法。該方法先對(duì)已知各單一故障類型的訓(xùn)練樣本進(jìn)行小波包變換，憑借距離評(píng)價(jià)參數(shù)篩選出具有類別差異的頻帶，并利用這些頻帶內(nèi)的小波包系數(shù)構(gòu)造稀疏分解的字典組，再將待測(cè)復(fù)合故障類型的測(cè)試樣本小波包頻帶系數(shù)在對(duì)應(yīng)字典上稀疏分解，通過(guò)各組稀疏重構(gòu)誤差最小值所在類別逐一判斷復(fù)合故障類型。軸承和齒輪的復(fù)合故障診斷實(shí)驗(yàn)結(jié)果