基于EEMD的旋转机械故障诊断方法研究

摘要

旋转机械设备是工业生产中的关键设备，它的运行状态关系着企业的安全生产和经济效益，因此，对其进行状态监测与故障诊断有重要的意义。旋转机械设备发生故障时，会产生异常振动。它的振动信号中含有丰富的机器信息，因而对其振动信号进行分析，进而判断故障类型是一种行之有效的方法。旋转机械故障振动信号大多数都是非线性、非平稳的，传统的信号分析方法已经不能满足故障振动信号处理的要求，因此，有必要选择恰当的适合非线性、非平稳信号分析的信号处理方法。
　　时频分析方法能够同时提供振动信号时域和频域的信息，因而被广泛应用于旋转机械故障诊断中。本文介绍了常用的时频分析方法，如短时傅里叶变换、Wigner-Ville分布、小波变换等。这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足。Huang提出的自适应时频分析方法Hilbert-Huang变换对于处理非线性、非平稳的信号处理效果较传统的时频分析方法更能凸显信号的局部特征。但Hilbert-Huang变换中的经验模式分解存在模态混叠的问题，Huang又提出了一种噪声辅助分析的方法——总体平均经验模式分解，简称为EEMD。
　　本文主要研究基于EEMD的旋转机械故障诊断方法，首先对EEMD算法原理进行深入研究，并对其抗模态混叠性能进行分析。针对EEMD算法中参数设置问题，提出了加入白噪声的能量标准差法。同时采用基于相关系数的方法来提取有效本征模式分量，有效去除了EEMD分解过程中产生的虚假模式分量。
　　本文还研究了旋转机械两个重要元件滚动轴承和齿轮的故障振动机理及故障信号特征。根据滚动轴承、齿轮的故障模型，模拟仿真验证了算法的有效性。并对实际的滚动轴承和齿轮振动信号应用改进EEMD算法进行处理，同时应用基于改进EEMD算法的包络谱分析方法及计算本征模式分量奇异值熵的方法进行故障诊断仿真。并基于MATLAB设计时频谱图分析方法以及改进EEMD算法诊断系统界面，可以对结果更直观的进行观察、分析。

目录

声明

摘要

第1章 绪论

1．1 课题研究的目的和意义

1．2 国内外旋转机械故障诊断技术研究现状

1．3 旋转机械故障特征提取方法的研究现状

1．4 本文研究的主要内容

第2章 特征提取的时频分析方法研究及比较

2．1 短时傅里叶变换

2．2 Wigner-Ville分布

2．3 小波变换

2．4 Hilbert-Huang变换

2．4．1 瞬时频率和本征模式函数

2．4．2 经验模式分解(EMD)

2．4．3 Hilbert谱及Hilbert边际谱

2．5 几种时频分析方法性能比较

2．6 本章小结

第3章 EEMD算法研究及改进

3．1 EEMD算法基本原理

3．2 抗模态混叠性能分析

3．3 EEMD算法改进

3．3．1 EEMD算法参数设置分析

3．3．2 有效本征模式函数提取

3．3．3 改进算法软件仿真流程图

3．4 旋转机械故障模型仿真分析

3．4．1 滚动轴承故障模型

3．4．2 仿真信号实验分析

3．4．3 齿轮故障模型

3．4．4 仿真信号实验分析

3．5 本章小结

第4章 基于改进EEMD算法在故障诊断中应用

4．1 滚动轴承的故障特征提取

4．1．1 滚动轴承振动机理

4．1．2 滚动轴承故障信号特征分析

4．2 风机齿轮箱齿轮的故障特征提取

4．2．1 齿轮振动机理

4．2．2 齿轮故障信号特征分析

4．3 基于有效IMF的Hilbert变换包络谱故障诊断方法

4．4 基于奇异值熵故障诊断方法

4．4．1 奇异值分解

4．4．2 信息熵

4．4．3 基于有效IMF的奇异值熵故障诊断方法

4．5 本章小结

第5章 实验研究结果与分析

5．1 实验数据

5．2 基于有效IMF的Hilbert包络谱故障诊断方法结果分析

5．3 奇异值熵故障诊断方法结果分析

5．4 基于Matlab的故障诊断界面设计

5．5 本章小结

结论

参考文献

攻读硕士学位期间发表的学术论文

致谢