强噪声背景下机械故障微弱信号特征提取方法研究

摘要

由于生产设备恶劣的现场环境、变化的工况和自身的非线性等特点,使得所测得的振动信号往往具有强噪声背景、非线性和早期微弱故障信息的特征。这些特征严重影响了设备状态信息的准确获取,因此,论文以强噪声背景中微弱的故障特征为对象,研究机械设备微弱的早期故障特征信息提取方法。主要围绕奇异值分解和随机共振技术展开的。
　　作为一种非线性降噪方法,奇异值分解技术已广泛应用到信号的降噪和检测中,但是,当检测强噪声背景中的微弱故障信息时,奇异值分解技术表现欠佳。针对此问题,论文设计了一种基于局部均值分解和奇异值分解差分谱理论的微弱信息提取方法,该方法首先通过局部均值分解将非线性非平稳的原始信号分解为若干个PF分量,由于强噪声的影响,难以从PF分量准确得到特征信息,对PF分量进行Hankel矩阵重构和奇异值分解,根据奇异值分解差分谱理论确定有用奇异值的个数,进而得到奇异值分解降噪后的信号,求该信号的包络谱,由此进行强噪声背景下微弱特征信息的提取。仿真分析和滚动轴承内圈故障实例分析均较好地验证了设计的改进方法的有效性。
　　随机共振对强噪声背景下微弱特征信息提取是一种有效的方法。通过调节系统结构参数和噪声强度可以使随机共振达到最优。论文设计了基于奇异值分解调节噪声强度的随机共振方法。该方法首先利用奇异值分解对含噪信号降噪,当降噪后的信号中噪声强度和有用信息达到最佳匹配,输入双稳随机共振系统中,则输出响应可以达到最佳随机共振。工程实际采集到的信号通常为大参数、多频率含有直流分量的信号,利用随机共振方法进行检测时,干扰频率、直流分量等对有用信息的检测影响较多。为了减少这些影响,论文设计了基于EEMD高通滤波和级联双稳随机共振结合的微弱信号检测方法。该方法利用了EEMD的高通滤波特性,对分解得到的IMF去除掉小于特征频率的IMF,对剩余的每个IMF分量进行Elliptic高通滤波后重新合成信号,再对合成信号进行级联双稳随机共振处理,得到原始信号的特征频率。仿真和轴承内圈故障信号分析表明,该方法可以减少直流分量和干扰频率对有用信息提取的影响。
　　对于信噪比极低的微弱信号的检测,论文提出了一种级联分段线性随机共振的微弱信号增强检测方法。该方法采用分段线性随机共振模型,避免了连续双稳模型对强噪声下弱信号提取时存在的饱和现象。同时选用分段线性系统的级联方式,使高频噪声被有效滤掉,低频信号能量不断增强。仿真和滚动轴承故障信号的检测表明,该方法可以适应更低信噪比信号,参数调节方便,检测结果优于级联双稳系统。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1 课题研究的背景及意义

1.2 机械故障微弱信号特征提取方法

1.3 本文研究主要内容及结构安排

1.4 本章小结

2 奇异值分解及奇异值差分谱的基本理论

2.1 引言

2.2 奇异值分解基本理论

2.3 奇异值差分谱理论及有效奇异值选择方法

2.4 本章小结

3 基于LMD和奇异值差分谱的故障特征提取方法研究

3.1 引言

3.2 LMD基本原理及方法

3.3 基于LMD分解和奇异值差分谱的故障特征提取方法

3.4 轴承故障特征提取应用

3.5 本章小结

4 基于奇异值分解噪声调节的双稳随机共振检测方法

4.1 引言

4.2 连续双稳随机共振原理

4.3 基于SVD噪声调谐的随机共振信号检测方法研究

4.4 本章小结

5 EEMD和级联双稳随机共振的机械故障提取方法研究

5.1 引言

5.2 EEMD高通滤波原理

5.3 仿真信号分析及不足

5.4 基于EEMD和CBSR的微弱信号增强检测方法

5.5 机械故障特征提取验证

5.6 结论

6 级联分段线性随机共振的微弱信号检测方法研究

6.1 引言

6.2 分段线性随机共振原理

6.3 分段线性随机共振仿真分析

6.4 机械故障特征提取实例

6.5 本章小结

7 总结与展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢