航空发动机多混叠微弱振动信号的识别与分离方法研究

摘要

微弱振动信号处理方法一直以来是研究的热点，对设备振动监测和故障诊断都至关重要。航空发动机早期故障表现微弱，常与多个振动源及干扰信号相互混叠，导致航空发动机早期故障等微弱振动信号难以有效识别与分离。目前，振动信号处理方法在航空发动机微弱振动信号的识别与分离中应用较少，特别对盲源分离技术在航空发动机多混叠振动信号处理中还处于起步阶段，因此，深入研究航空发动机多混叠微弱振动信号的识别与分离具有重要的理论意义和工程价值。
　　针对航空发动机早期故障的微弱性和振动信号的多混叠性，本文对现有的微弱振动信号处理方法和盲源分离算法进行了深入的研究，分别从干扰特征去除、微弱特征提取和微弱振源分离三个方面入手提出了一些新的思路和方法。本文主要研究内容包括：
　　(1)全面分析了盲源分离的基本理论，系统研究了盲源分离的三种典型算法，选择了适合航空发动机振动信号分离的盲分离算法。
　　(2)提出了基于中值-奇异值分解的联合干扰去除方法。利用中值滤波去除脉冲噪声，SVD抑制随机噪声，并采用改进的能量差分谱确定SVD降噪阶次，联合中值滤波和改进后的SVD降噪方法，去除脉冲噪声和随机噪声干扰，有效提取微弱故障等有用信号。通过仿真和航空发动机试车信号的工程应用，验证了联合方法的有效性。并将联合方法应用到EMD中，改善了EMD中存在的模式混叠和端点效应问题。
　　(3)提出了基于ICA提取微弱振动信号的方法。利用ICA对独立源信号的优良分离特性，分别对先验强噪声和大信号干扰下的微弱振动信号提取进行了仿真分析，通过实验验证了方法的有效性。结合EMD和ICA方法，获取噪声的先验知识；结合扫相处理和相关分析方法，估计大信号干扰的初始相位。
　　(4)针对航空发动机微弱振动信号的多混叠性及噪声对盲源分离算法的干扰性，提出了多重时延自相关降噪盲源分离方法。结合时延自相关和盲源分离方法，利用时延自相关进行多重降噪，对降噪后的振动信号再进行振源分离。通过仿真分析、含轻微碰磨故障的转子实验数据分析和某型航空发动机试车振动信号的数据处理应用分析，验证了多重时延自相关降噪盲分离方法的可行性。

目录

封面

声明

中文摘要

英文摘要

目录

图表清单

注释表

第一章 绪论

1.1 工程背景

1.2 国内外研究现状

1.3 本文主要研究内容

第二章 振动信号盲源分离的基本理论

2.1 盲源分离的数学模型

2.2 盲源分离预处理方法

2.3 盲源分离的相关数学知识

2.4 盲源分离准则

2.5 盲源分离效果的评价指标

2.6 适合航空发动机振动信号分离的典型算法

2.7 本章小结

第三章 基于中值-奇异值分解的联合干扰去除方法研究及应用

3.1 中值滤波

3.2 SVD降噪

3.3 基于中值-奇异值分解（MF-SVD）联合干扰去除方法

3.4 MF-SVD联合干扰去除方法在经验模式分解中的应用

3.5 本章小结

第四章 强干扰特征下基于ICA提取微弱振动信号的方法研究

4.1 独立分量分析的基本理论

4.2 基于ICA提取微弱振动信号的理论研究

4.3 强噪声干扰特征下的微弱振动信号提取

4.4 大信号干扰特征下的微弱振动信号提取

4.5实验验证分析

4.6 本章小结

第五章 强噪声干扰下多混叠微弱振动信号分离及应用研究

5.1 多混叠微弱振动信号的模型分析及假设

5.2 多重时延自相关降噪

5.3 基于多重时延自相关降噪的盲分离

5.4 转子实验及工程应用研究

5.5 本章小结

第六章 总结与展望

6.1 本文主要工作

6.2 工作展望

参考文献

致谢

在学期间参与的科研工作及研究成果