基于EEMD的水轮机摆度信号提纯及特征提取分析

摘要

水电机组作为一种旋转机械，其运行状态往往和轴系的振动情况息息相关，所以在其故障诊断研究中，水轮机组的摆度信号分析是极其重要的部分。准确地获得摆度信号的特征信息对水轮机组的安全运行与管理有着非常重要的意义。本文从理论、仿真及现场试验三个方面对摆度信号的提纯及特征提取进行了研究。以信号时频域分析方法为出发点，以机组轴系为对象，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）的水轮机摆度信号提纯及特征提取方法。
　　在理论研究中，对比了快速傅里叶变换（Fast Fourier Transform,FFT）、短时傅里叶变换（Short-Time Fourier Transform,STFT）、小波分析（Wavelet analysis）、经验模态分解（Empirical Mode Decomposition,EMD）及EEMD分析的优缺点。理论分析表明，EEMD时频分辨率相比于小波分析具有自适应能力，而且有效抑制了EMD模态混叠现象。之后对仿真信号进行了时频域分析，结果进一步表明了EEMD较强的时频域局部分析能力以及其针对不同实际信号的自适应分解能力。
　　基于传统的去噪评价指标构建了一种改进的线性组合指标。实际的摆度信号或多或少受噪声信号影响，需要对其进行去噪提纯。对信号去噪而言，去噪效果的评价一直是众多学者关注的重点问题。然而单一的传统评价指标不是十分完美，在某些评价的过程中存在误判的可能。改进后的评价指标能够判断出小波去噪的最佳分解层数和EMD（EEMD）去噪的最佳去噪层数，同时，应用改进的线性组合指标进行了仿真信号去噪，结果验证了这种指标的准确性。
　　此外，对去噪手段也进行了研究。对仿真信号的小波、EMD及EEMD去噪结果进行了对比，结果表明EEMD不仅具有优良的去噪能力，而且EEMD拥有更强的适用性。在实际信号去噪时，一旦最佳分解层数确定有稍微的偏差，小波去噪的就会带走更多的真实成分，而EMD与EEMD去噪却不会产生这种影响。
　　最后，针对多源振动信号分离及特征提取，本文提出将EEMD与独立分量分析（Independent Component Analysis,ICA）相结合的方法。该方法首先通过ICA对多路信号进行初步振源分离，然后利用EEMD对初步分离的振源进行去噪及EEMD同频重构，最终提取得到特征振源。通过仿真信号的分析得出，该方法能在尽量少的观测信号的条件下得到更多更清晰的振源信号，在水轮机组摆度信号试验分析中，进一步验证了ICA-EEMD在特征提取分析中的优越性。
　　根据以上研究，构建了基于MATLAB GUI（Graphical User Interfaces）平台的EEMD信号分析系统，实现了摆度信号的时频分析、轴心轨迹的去噪提纯以及特征提取分析等功能，为EEMD算法在工程实际中的推广应用提供了一种便捷的研究平台。

目录

声明

1绪论

1.1 课题研究背景

1.2 研究现状及发展趋势

1.3 论文的主要研究工作

2 振动信号的时频域分析方法

2.1 振动信号的采样及采样定理

2.2 时频域分析方法

3 水轮机摆度信号的提纯及特征提取分析

3.1 水轮机摆度信号分析在水轮机组故障诊断中的作用

3.2 旋转机械轴心轨迹的研究

3.3 仿真信号分析

3.4 水轮机摆度信号试验分析

4 EEMD分析系统的设计

4.1 Matlab GUI设计工具简介

4.2 Matlab GUI句柄图形系统

4.3 系统设计原则及设计步骤

4.4 Matlab GUI界面设计与编程实现

4.5 系统展示及功能介绍

5 结论及展望

5.1 工作总结

5.2 工作展望

致谢

参考文献

附 录 攻读学位期间发表论文目录