基于振動信號的機械故障特征提取與診斷研究.pdf

1、機械故障診斷對于保障機械設備的安全、穩(wěn)定運行具有重要意義。基于振動信號分析的機械故障診斷方法具有可在線、實時、非損傷、診斷便捷準確等優(yōu)點，已經得到廣泛應用。本文以軸承、齒輪為主要研究對象，針對機械故障特征提取與診斷問題，采用基于振動信號分析的方法，研究了基于經驗模態(tài)分解的信號降噪方法；基于小波變換、小波包變換、Hilbert-Huang變換、獨立分量分析等現代信號處理方法的機械故障特征提取技術，研究了基于支持向量機、最近鄰分類器的機械故

2、障識別方法。本文提出一些機械故障特征提取與診斷的新方法，主要研究內容包括以下幾個方面：
　　(1)針對目前基于經驗模態(tài)分解的振動信號降噪方法不能同時較好地處理高頻內蘊模態(tài)函數與低頻內蘊模態(tài)函數的噪聲問題，研究提出一種改進的基于經驗模態(tài)分解的降噪方法，結合現有的兩種基于經驗模態(tài)分解降噪方法的優(yōu)點，分別對高頻內蘊模態(tài)函數與低頻內蘊模態(tài)函數采用不同的降噪方法。仿真和實驗結果表明改進的基于經驗模態(tài)分解的降噪方法具有更好地降噪性能。

3、　　(2)研究了基于相對小波能量與支持向量機的機械故障診斷方法。首先將機械故障振動信號進行離散小波分解，然后利用分解后各頻帶的相對小波能量作為特征向量，最后使用支持向量機作為分類器對機械故障進行分類。并以滾動軸承故障診斷為例驗證了該方法能夠較好地識別滾動軸承的故障類型及故障程度，具有一定的工程應用價值。
　　(3)針對機械設備在出現故障時其動力學特性往往呈現出復雜性和非線性，近年來提出的樣本熵是一種度量信號復雜性的方法，與分形維數

4、、Kolmogorov熵、李雅普諾夫指數等非線性動力學參數相比，可以較少地依賴于時間序列的長度?；诖颂岢鲆环N基于小波包變換與樣本熵的機械故障診斷方法，利用小波包變換對機械振動信號進行分解，然后計算分解后得到的各個頻帶的樣本熵值作為特征向量，最后使用支持向量機進行故障識別。通過結合小波包技術，可以得到機械故障在不同頻帶的特征信息，與直接利用原始信號樣本熵分析相比可以更全面、更準確地刻畫機械故障特征。機械故障診斷實驗表明該方法取得較好地識

5、別效果，是一種有效地機械故障診斷方法。
　　(4)針對機械故障振動信號的時頻特征提取問題，研究Hilbert譜時頻特征提取方法。Hilbert譜是對振動信號能量精確的時頻表示，反映了機械故障振動信號的時間和頻率的分布情況，為了提取機械故障信號Hilbert譜特征，引入奇異值分解方法，利用Hilbert譜奇異值作為機械故障特征參數。該方法利用了奇異值分解穩(wěn)定性好，可以較好地刻畫時頻矩陣特征的優(yōu)點。實測軸承振動信號故障診斷實驗表明該方

6、法得到較好地識別效果，具有一定的應用價值。
　　(5)研究了基于獨立分量分析的機械故障特征提取方法。提出一種基于獨立分量分析與相關系數的機械故障診斷方法，通過對不同工況的機械故障信號分別進行獨立分量分析，獲得各種工況信號的獨立分量，這些獨立分量中蘊含了該工況振動信號的一些內在特征；接著利用樣本與不同工況信號提取的獨立分量的相關系數絕對值的和作為該樣本的特征；最后使用支持向量機作為分類器進行識別。齒輪和軸承故障診斷實驗表明該方法可以