基于经验小波变换和奇异值分解的旋转机械故障诊断

摘要

旋转机械的故障信号通常是非平稳、非线性的含噪振动信号，对于机械故障诊断目前应用较为广泛的是窗口傅里叶变换、Wigner分布、小波变换(WT)等时频分析方法，但这些方法都具有一定的局限性，而且容易受到干扰的影响。经验模态分解(EMD)较其他方法具有自适应分解的优势，但是由于其自身存在模态混叠效应、端点效应以及缺乏一定的理论基础，所以在应用方面还存在一定问题。而经验小波变换(EWT)则既具有EMD的自适应性又具有可靠的理论基础，其极大地减弱了EMD方法中存在模态混叠现象，克服了端点效应问题，在旋转机械故障诊断中具有较高的应用价值。笔者利用经验小波变换的自适应性结合奇异值分解的滤噪特性提出了新的旋转机械故障诊断方法。
　　文章首先介绍了经验小波变换理论，将经验小波变换和经验模态分解对多模态混叠含噪信号的分解结果进行对比，验证经验小波变换较经验模态分解存在的优势。然后对奇异值分解和奇异值包分解理论进行深入研究。最后提出EWT-SVD和EWT-SVDP算法，并通过仿真信号验证算法的有效性。文章将联合算法应用在旋转机械故障诊断的实例分析中，选取轴承、转子、万向轴作为研究对象，利用试验对轴承的内圈故障、转子碰摩故障、万向轴的动不平衡故障振动信号进行提取，应用文章提出的算法对故障信号进行分析研究，验证联合算法对于工程实际应用的有效性。
　　通过应用文章提出的联合算法对仿真信号和实际工程的故障信号分析可知:基于经验小波变换结合奇异值分解(EWT-SVD)的算法表现出很好的自适应性和良好的滤噪性能，能够将多模态含噪仿真信号有效的分解成含有不同频率特性的信号，并且和单独经验小波变换方法相比，联合算法表现出良好的滤噪特性，通过对轴承故障信号、转子碰摩故障信号、万向轴动不平衡故障信号分析，基于经验小波变换结合奇异值分解能够有效地将原始振动信号分解成不同频带中的分量信号;基于经验小波变换结合奇异值包分解(EWT-SVDP)相比经验小波分解，不但表现出良好的自适应性，滤噪性能也有显著提高，而且对于信号的细节成分分析表现出极大的优势，对于工程实际信号的处理能力也大大提高。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 机械故障信号分析方法

1．2．1 时域分析方法

1．2．2 频域分析方法

1．2．3 时频分析方法

1．3 机械故障诊断的研究现状

1．4 研究思路和方法

1．5 论文的主要内容与章节安排

第2章 经验小波理论

2．1 EMD理论

2．1．1 解析信号

2．1．2 瞬时频率

2．1．3 本征模态函数

2．1．4 EMD算法

2．2 经验小波变换理论

2．2．1 EWT理论

2．2．2 尺度函数和小波函数

2．2．3 频带边界角频率ωn的确定

2．2．4 EWT算法

2．3 仿真结果对比

2．4 本章小结

第3章 奇异值与奇异值包理论

3．1 奇异值分解理论

3．1．1 奇异值分解技术理论

3．1．2 奇异值的筛选特性

3．1．3 仿真结果对比

3．2 奇异值包分解理论

3．2．1 奇异值包理论

3．2．2 奇异值包分解与重构算法

3．2．3 仿真结果对比

3．3 本章小结

第4章 联合算法实现

4．1 基于EWT-SVD的算法实现

4．1．1 算法实现

4．1．2 算法流程设计图

4．1．3 仿真信号对比

4．2 基于EWT-SVDP的算法实现

4．2．1 算法实现

4．2．2 算法流程设计图

4．2．3 仿真信号对比

4．3 本章小结

第5章 实验分析与仿真

5．1 基于联合算法的轴承故障诊断实验分析

5．1．1 滚动轴承的基本结构

5．1．2 滚动轴承的故障形式

5．1．3 实验设计

5．1．4 基于EWT-SVD的轴承故障诊断

5．1．5 基于EWT-SVDP的轴承故障诊断

5．2 基于联合算法的转子故障诊断实验分析

5．2．1 转子故障机理

5．2．2 转子的故障形式

5．2．3 实验设计

5．2．4 基于EWT-SVD的转子故障诊断

5．2．5 基于EWT-SVDP的转子故障诊断

5．3 基于联合算法的万向轴故障诊断实验分析

5．3．1 万向轴的故障形式

5．3．2 实验设计

5．3．3 基于EWT-SVD的万向轴故障诊断

5．3．4 基于EWT-SVDP的万向轴故障诊断

5．4 本章小结

结论与展望

致谢

参考文献

攻读硕士学位期间发表的论文及获奖情况