强噪声干扰下行星轮系振动信号分析及其故障诊断技术研究

摘要

大型复杂机电装备涉及煤炭、航天、钢铁、船舶、工程机械等重要制造行业，是我国制造业和工业发展的重要基础。随着工业化进程的不断推进和科学技术的快速发展，大型复杂机电装备日益趋向复杂、可靠、高效、智能化方向发展。由于行星轮系具有众多优点，现已成为大型复杂机电装备传动系统的重要组成部件。但是行星轮系一般工作于大载荷、强干扰、高污染的恶劣工况，其故障时有发生，直接影响机电装备的传动效率，严重时会导致整个机电装备失效，甚至人员伤亡等恶劣后果。因此，对行星轮系进行故障诊断研究具有非常重大的意义。但是在真实工况条件下所测得的行星轮系振动信号一般包含强噪声干扰，并且其特殊的结构及工作方式，也致使行星轮系的故障诊断具有自身的特点和难点。
　　本文以强噪声干扰下的行星轮系为研究对象，通过对预处理降噪、故障特征信息提取、特征降维处理、多传感器融合诊断进行深入研究，形成基于振动信号分析的行星轮系故障诊断技术，为保障行星轮系以及机电装备传动系统安全运行提供理论支撑和技术解决方案。主要内容包括：
　　（1）针对行星轮系的具体结构及工作方式，分析了进行行星轮系故障诊断研究的特点和难点；并进行了真实工况条件下强噪声干扰获取实验和不同行星轮系故障状态的模拟实验，获得了真实工况条件下的强噪声干扰和不同行星轮系故障状态的多传感器信号。
　　（2）针对行星轮系在真实工况中所遭受的强噪声干扰，提出了一种结合双树复小波变换（Dual-Tree Complex Wavelet Transform，DTCWT）和循环奇异能量差分谱的预处理降噪方法。利用DTCWT具有较少频率混叠和频率泄漏的优点，将包含强噪声干扰的原始振动信号分解到多个具有不同频率特性的信号中；通过对奇异值分解降噪原理分析，基于级联循环、逐次滤除噪声的思想提出了循环奇异能量差分谱降噪方法，根据不同频带噪声干扰分布特点设置不同的终止条件实现了对各频带信号的降噪处理。利用所提出的预处理降噪方法，能够有效消除真实工况强噪声干扰，保留行星轮系产生的有效信号成分。
　　（3）针对行星轮系所产生的振动信号具有非线性、非平稳、强耦合的特性，在充分研究经验模态分解（Empirical Mode Decomposition，EMD）和总体经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）的基础上，研究了一种自适应噪声的完备总体经验模态分解（Complete Ensemble Empirical ModeDecomposition with Adaptive Noise，CEEMDAN）算法。并且针对CEEMDAN存在添加高斯白噪声次数过多、计算耗时等缺点，提出了一种改进的自适应噪声的完备总体经验模态分解（Improved Complete Ensemble Empirical ModeDecomposition with Adaptive Noise，ICEEMDAN）算法。一方面在求取本征模态函数（Intrinsic Mode Function，IMF）分量过程中，连续检测所添加高斯白噪声对IMF分量的影响，控制在求取IMF分量过程中添加的高斯白噪声次数，有效减少了非必要高斯白噪声的添加；另一方面，引入排列熵对 IMF分量进行复杂性检测，根据排列熵值变化情况决定是否继续需要高斯白噪声的辅助分解作用。所提出的ICEEMDAN方法能够有效抑制信号模态混叠，保证信号分解质量和分解的完备性，并且有效减少非必要高斯白噪声的添加，具有相对更快的计算速度。
　　（4）针对行星轮系产生的微弱故障特征信息，基于行星轮系特征频率及其相关成分信噪比建立了有效IMF分量提取准则，结合粒子群优化（Particle Swarm Optimization，PSO）算法和随机共振算法构建了自适应随机共振系统处理有效IMF分量的重构信号，能够有效提取行星轮系啮合频率及其边频带信息，可定性比较判断行星轮系状态。另外，为了量化各 IMF分量中的行星轮系特征信息，基于信息熵定义，构建了多角度熵特征联合提取模型，实现了包含在各 IMF分量中故障特征信息的多角度提取量化，形成了全面而综合的原始故障特征集合。
　　（5）针对原始故障特征集合存在维数过大、信息冗余和无效特征干扰等情况，开展了基于核方法的高维特征降维研究。在对主元分析（Principal Component Analysis，PCA）、Fisher鉴别分析（Fisher Discriminant Analysis，FDA）和核主元分析（Kernel Principal Component Analysis，KPCA）研究基础上，研究了一种优化参数的核Fisher鉴别分析（Kernel Fisher Discriminant Analysis，KFDA）方法。根据核特征空间的类间散度矩阵和类内散度矩阵关系，定义了类对可分性和类别可分性，进而形成了基于类别可分性的KFDA核参数优化选取准则，解决了KFDA的核参数选择问题。并且利用优化参数的KFDA方法能够有效完成对原始故障特征集合的特征融合和降维处理，提取出敏感故障特征。
　　（6）针对真实工况强噪声干扰下，基于单传感器进行故障诊断容易引起信息缺失、出现识别不确定性、故障诊断精度降低和诊断信任程度降低等情况，开展了多传感器融合诊断研究。基于所提取的敏感故障特征和极限学习机（Extreme Learning Machine，ELM）获得了单传感器产生的局部诊断结论，提出了基于ELM误差距离的基本信任函数分配方法，并建立了基于证据冲突检测的D-S证据理论融合规则。通过本文所建立的方法对强噪声干扰下的行星轮系进行多传感器融合诊断，可消除识别的不确定性，处理证据冲突情况，有效提高故障诊断精度和诊断信任程度。
　　文章最后对论文的工作进行了总结，并对相关的研究技术进行了展望。

目录

声明

致谢

变量注释表

1 绪论

1.1 课题来源（Subject Source）

1.2 选题背景及意义（Background and Significance）

1.3 课题国内外研究现状（ Research Status of Domestic and Foreign）

1.4 主要研究内容和技术路线（ Main Research Contents and Technical Route）

1.5 本章小结（Chapter Summary）

2 行星轮系特性分析及实验平台介绍

2.1 引言（Introduction）

2.2 行星轮系特性分析（Characteristic Analysis of Planetary Gear）

2.3 真实工况强噪声干扰获取（ Strong Noise Interference Acquisition in Real Operating Condition）

2.4 行星轮系信号采集实验（Signal Acquisition Experiments of Planetary gear）

2.5 本章小结（Chapter Summary）

3 基于双树复小波变换和循环奇异能量差分谱的预处理降噪研究

3.1 引言（Introduction）

3.2 双树复小波变换（Dual-Tree Complex Wavelet Transform）

3.3 循环奇异能量差分谱（ Cyclic Singular Energy Difference Spectrum）

3.4 仿真信号分析（Simulation Signal Analysis）

3.5 实验分析（Experimental Analysis）

3.6 本章小结（Chapter Summary）

4 改进的自适应噪声的完备总体经验模态分解研究4 Research on Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise

4.1 引言（Introduction）

4.2 自适应噪声的完备总体经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）

4.3 改进的自适应噪声的完备总体经验模态分解（ Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）

4.4 实验分析（Experimental Analysis）

4.5 本章小结（Chapter Summary）

5 行星轮系故障特征信息提取研究

5.1 引言（Introduction）

5.2 基于自适应随机共振的行星轮系微弱故障特征提取（Weak Fault Feature Extraction of Planetary Gear Based on Adaptive Stochastic Resonance）

5.3 实验分析 (Experimental Analysis)

5.4 多角度熵特征联合提取（Entropy Features Extraction from Multiple Perspectives）

5.5 实验分析（Experimental Analysis）

5.6 本章小结（Chapter Summary）

6 基于核方法的高维特征降维研究

6.1 引言（Introduction）

6.2 核主元分析（Kernel Principal Component Analysis）

6.3 实验分析（Experimental Analysis）

6.4 优化参数的核Fisher鉴别分析（Kernel Fisher Discriminant Analysis with Parameter Optimization）

6.5 实验分析（Experimental Analysis）

6.6 本章小结（Chapter Summary）

7 基于多传感器融合的故障诊断研究

7.1 引言（Introduction）

7.2 基于 ELM 的单传感器故障诊断（Fault Diagnosis of Single Sensor Based on ELM）

7.3 实验分析（Experimental Analysis）

7.4 多传感器融合故障诊断（ Fault Diagnosis Based on Multi-Sensor Fusion）

7.5 实验分析（Experimental Analysis）

7.6 本章小结（Chapter Summary）

8 结论和展望

8.1 主要结论（Main Conclusions）

8.2 主要创新点（Main Innovations）

8.3 展望（Prospections）

参考文献

作者简历

学位论文数据集