基于EMD的机械设备故障诊断方法研究

摘要

机械设备复杂的运行环境,多变的运行工况以及故障发生和演变过程的非平稳性,导致在状态监测与诊断过程中面临大量的非平稳信号的分析与处理难题;传统的信号分析方法以信号平稳性为前提,无法有效对非平稳信号进行数据分析和特征提取,难以满足具有非平稳性特性的机械设备状态监测与故障诊断的要求。
　　机械设备故障诊断系统包含诊断信息的获取、故障特征的提取和状态识别三部分,而诊断的关键则是其中的故障特征提取和状态识别部分。针对滚动轴承振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、奇异值分解和支持向量机( Support Sector Machine,SVM)相结合的故障诊断方法。EMD方法是基于信号的局部特征时间尺度,是依据信号本身的信息进行的分解,是自适应的信号处理方法,非常适合非线性和非平稳过程。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(lntrinsic mode function,IMF)之和,并形成初始特征向量矩阵。而矩阵的奇异值大小随着轴承故障类型的不同会发生变化,因此可以采用奇异值作为机械设备故障的特征向量,同时也表明基于EMD的奇异值特征向量提取方法的可行性。对初始特征向量矩阵进行奇异值分解,从而得到滚动轴承振动信号的状态特征向量,SVM适用于小样本模式识别,以SVM作为分类器来识别滚动轴承的工作状态和故障类型,得到了较好的结果。
　　论文所提的理论与方法都通过了实验数据或仿真实验的验证,实验结果表明,本文方法能有效地应用于滚动轴承故障诊断,不仅具有一定的理论意义,更有显著的工程实用价值。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景及意义

1.2 机械设备故障诊断的国内外研究现状

1.3 论文主要内容与结果安排

2 基于经验模态分解的状态参数提取

2.1 引言

2.2 经验模态分解基本原理

2.3 端点效应抑制

2.4 经验模态分解提取特征向量

2.5 本章小结

3 基于奇异值分解的状态特征提取

3.1 引言

3.2 奇异值分解的基本原理

3.3 基于奇异值分解的故障特征提取

3.4 故障特征提取实验验证

3.5 本章小结

4 基于支持向量机的模式识别方法

4.1 引言

4.2 支持向量机基本原理

4.3 支持向量机分类算法实验验证

4.4 本章小结

5 基于EMD的机械设备故障诊断

5.1 引言

5.2 故障诊断实验台基本原理

5.3 基于EMD的机械设备故障诊断方法及结果

5.4 本章小结

6 总结与展望

6.1 研究总结

6.2 研究展望

致谢

参考文献