自适应最稀疏时频分析方法在齿轮故障诊断中的应用

摘要

齿轮是机械设备中常见的动力传动装置，一旦发生故障，会直接影响到设备的健康运行，甚至造成重大事故。因此，开展齿轮故障诊断研究具有重要意义。
　　齿轮故障诊断的关键在于提取故障特征信息，而这需要选择合适的信号分解方法，目前常用的信号分解方法有经验模态分解(Empirical Mode Decomposition，EMD)和局部均值分解(Local Mean Decomposition，LMD)等。然而，这些方法仍然存在许多难以解决的问题，故引入新的信号分解方法到齿轮故障诊断研究领域变得尤为重要。自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis，ASTFA)是一种新的信号分析方法，该方法将信号分解转化为目标优化问题，以分解所得的单分量个数最少为优化目标，在目标优化的过程中实现信号的自适应分解。
　　本文将ASTFA方法引入到齿轮故障诊断研究领域，并与对称差分能量算子(Symmetric Difference Energy Operator，SDEO)、包络归一化解调(Envelope Normalization Demodulation，END)等方法相结合，用于处理齿轮故障信号，获取故障信息，进行故障诊断。
　　本文主要完成了两个方面的研究：ASTFA方法的理论研究和ASTFA方法在齿轮故障诊断中的应用研究。论文主要研究内容如下：
　　(1)采用ASTFA方法对仿真信号进行分析，分析结果验证了该方法的有效性。此外，揭示了ASTFA方法的靶向分解特性和高幅值比信号分解特性。
　　(2)针对初始相位函数与带宽参数取值不当会严重减弱ASTFA方法分解能力的问题，提出基于蛾火优化的自适应最稀疏时频分析(Moth-Flame Optimization based Adaptive and Sparsest Time-Frequency Analysis，MFO-ASTFA)方法，该方法采用蛾火优化(Moth-Flame Optimization，MFO)算法寻找初始相位函数与带宽参数的最优取值。仿真分析结果证明了MFO-ASTFA方法的有效性。
　　(3)针对行星轮系故障信号的调制特点，提出基于MFO-ASTFA和SDEO解调的行星轮系故障诊断方法。采用该方法对行星轮系的故障仿真信号进行分析，结果表明了该方法的有效性。将该方法用于处理行星轮系太阳轮实际局部故障振动信号，结果证明了该方法具有实用性。
　　(4)针对定轴齿轮故障振动信号的调幅调频特性，提出基于MFO-ASTFA和END的定轴齿轮故障诊断方法。采用该方法处理定轴齿轮裂纹和断齿的实际故障信号，实验结果证明了该方法能够对裂纹和断齿故障进行有效诊断。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 齿轮故障诊断研究概况

1.3 论文研究思路及内容安排

第2章 齿轮的故障类型与故障诊断方法

2.1 齿轮故障类型

2.2 齿轮振动机理

2.3 齿轮故障振动信号调制特征

2.4 常见的齿轮故障诊断方法

2.5 本章小结

第3章 自适应最稀疏时频分析方法

3.1 ASTFA方法

3.2 ASTFA方法仿真分析

3.3 ASTFA方法的分解特性

3.4 本章小结

第4章 基于蛾火优化的自适应最稀疏时频分析方法

4.1 ASTFA方法的缺陷

4.2 基于蛾火优化的自适应最稀疏时频分析方法

4.3 MFO-ASTFA方法仿真分析

4.4 本章小结

第5章 基于MFO-ASTFA和SDEO解调的行星轮系故障诊断方法

5.1 引言

5.2 对称差分能量算子

5.3 基于MFO-ASTFA和SDEO的解调方法

5.4 行星轮系故障仿真分析

5.5 行星轮系实际故障诊断

5.6 本章小结

第6章 基于MFO-ASTFA和END的定轴齿轮故障诊断方法

6.1 引言

6.2 基于频谱移位的包络求解方法

6.3 基于END的瞬时频率求解方法

6.4 基于MFO-ASTFA和END的解调方法

6.5 定轴齿轮故障诊断

6.6 本章小结

结论与展望

1 研究结论

2 研究展望

参考文献

致谢

附录A 攻读学位期间发表和录用的论文目录

附录B 攻读学位期间参与的科研项目