機械測試中多分量信號特征提取方法的研究.pdf

1、機械設(shè)備運行中產(chǎn)生的振動信號中包含了豐富的故障信息，通過對其進行處理與分析，可以得到機械設(shè)備零部件的狀態(tài)變化信息，從而判斷出機械設(shè)備或零部件的故障所在。時頻分析方法在機械故障特征提取中取得了廣泛的應(yīng)用，經(jīng)過數(shù)十年的發(fā)展歷程，已有大量的研究工作投注在多分量非平穩(wěn)信號的特征提取中，但仍然不能完全滿足實際工程應(yīng)用的需要。在此背景下，本文對小波變換、Hilbert-Huang變換（HHT）、Chirplet變換、迭代Hilbert變換（IHT）

2、等信號分解方法，重分配譜、多窗譜等信號處理技術(shù)，以及機械故障信號的消噪、解調(diào)、分解等特征提取技術(shù)進行了深入的研究。
　　本文首先對具有多分辨分析特性的小波變換的理論體系進行了研究，介紹了連續(xù)小波變換及其容許條件、二進離散小波及其重構(gòu)條件、小波框架理論、多分辨分析原理以及 Mallat算法。為解決小波變換對信號進行分解時產(chǎn)生的頻率混疊問題，將諧波小波變換運用在信號的特征提取中。分析了諧波小波系數(shù)所特有的幅頻保持特性，提出了用諧波小波

3、系數(shù)來構(gòu)造改進的諧波小波時頻圖，并通過推導(dǎo)得出，改進后的諧波小波時頻圖的時頻剖面圖，即為該剖面對應(yīng)頻帶范圍內(nèi)信號分量的包絡(luò)。仿真和應(yīng)用表明了諧波小波多分量信號解調(diào)方法的有效性。
　　由于小波變換對于局部沒有自適應(yīng)性，因此會造成泄漏，從而使信號呈現(xiàn)出全局較為光滑，本文接下來對Hilbert Huang變換(HHT)進行了深入研究。針對EMD方法缺乏嚴格的正交性的問題，介紹了EMD過程的施密特正交化方法，指出其并沒有從根本上實現(xiàn) EM

4、D的正交化。接下來分析了用帶通濾波方法來獲得 IMF的可行性，進而提出了基于解析帶通濾波的正交化經(jīng)驗?zāi)B(tài)分解（OEMD）方法，并從理論上證明了它的完備性和正交性，然后提出了OEMD的快速實現(xiàn)算法——IMF折半搜索法。在諧波檢測和奇異信號檢測的應(yīng)用實例表明，OEMD成功地解決了模態(tài)混疊和虛假模態(tài)等問題。在轉(zhuǎn)子實驗臺和齒輪箱故障診斷中的應(yīng)用表明，OEMD無論是對于平穩(wěn)信號還是非平穩(wěn)信號都具有很好的分析效果。
　　Chirplet變換是

5、對小波變換的擴展。本文首先介紹了Chirplet變換的原理及Chirplet自適應(yīng)分解方法，并通過仿真實驗驗證了Chirplet自適應(yīng)分解在表征信號內(nèi)部結(jié)構(gòu)方面的優(yōu)越性。針對強噪聲背景下的信號特征提取問題，介紹了Chirplet最佳路徑追蹤算法，并指出了Chirplet變換與最佳路徑追蹤算法相結(jié)合提取信號分量方法的不足之處。針對這一問題，提出了將EMD與Chirplet最佳路徑追蹤算法相結(jié)合，以從強噪聲背景中提取出復(fù)雜多分量信號的方法。

6、仿真實驗表明了該方法的有效性和可行性，并將其應(yīng)用到輸油泵振動信號的分析中，得到了正確的故障診斷結(jié)果。
　　解調(diào)分析是機械故障特征提取中常用且有效的分析方法。本文對多分量信號的解調(diào)分析進行了深入研究。介紹了常用解調(diào)方法及其局限性，接下來介紹了迭代Hilbert變換(IHT)對多分量信號的建模方法，迭代求解信號各分量的幅值包絡(luò)和瞬時頻率的步驟，闡明了迭代Hilbert變換中濾波器的具體設(shè)計方法。通過理論分析表明，直接利用變換過程中得到

7、的相位信號的導(dǎo)數(shù)來求各分量的瞬時頻率具有一定的局限性，并提出了一種平滑的瞬時頻率估計(SIFE)方法，且通過仿真實驗驗證了該方法的有效性。將IHT和SIFE用于滾動軸承的早期故障診斷中，取得了較好的分析效果，從而為機械故障診斷提供了一種新的手段。
　　時頻譜重分配能顯著提高二次時頻表示的時頻聚集性，而多窗譜則具有優(yōu)良的估計方差。研究了時頻重分配技術(shù)的原理和性質(zhì)，并介紹了各種不同時頻譜和尺度譜的重分配形式，接下來通過仿真表明了其在時

8、頻聚集性方面的優(yōu)越性，并將其應(yīng)用到機械故障信息提取中，實際應(yīng)用表明了時頻重分配技術(shù)在多分量信號特征提取中的有效性。介紹了Thomson多窗譜估計方法，并介紹了其在非平穩(wěn)信號分析中的推廣。將重分配譜和多窗譜相結(jié)合，能保持各自的優(yōu)點，實現(xiàn)從強噪聲背景中提取出信號的特征信息。利用該方法對轉(zhuǎn)軸不對中故障、滾動軸承外圈故障及齒輪箱故障進行分析，并和重分配譜圖進行比較，表明了該方法在機械故障特征提取中的有效性。
　　文章最后對全文工作進行了總