基于盲源分离的旋转机械复合故障诊断方法

摘要

为了解决旋转设备复合故障信号的分离和特征提取问题，本论文围绕欠定盲源分离的基本理论和主要分析方法展开研究。以滚动轴承复合故障作为诊断对象，利用振动信号，对其复合故障信号进行了研究与分析，并与传统信号处理方法进行对比，进一步证明了本文相关方法的有效性。
　　本文研究了总体经验模态分解(EEMD)和独立成分分析(ICA)相结合的欠定盲信号特征提取方法。利用EEMD方法将一维混合数据分解为多路同步信号，使得ICA的欠定模型变换成正定模型。通过EEMD-SVD-ED方法估算振动源的数目。同时为克服经典ICA的不足，重点研究了改进的LM-FastICA方法。实验结果表明，与传统方法相比，该方法不仅可有效分离轴承外圈、滚动体和转子不平衡等故障信息，且降低了算法运行时间，提高了运行速度。研究了一种改进的约束独立成分分析(CICA)方法并将其应用于旋转设备单通道复合信号分离中。首先利用离散小波变换(DWT)获得多路同步信号。计算各层小波重构信号中旋转设备各元件的故障特征频率能量比，基于能量最大化原则建立了CICA算法的参考信号。最后运用奇异值分解(SVD)方法估算故障源数，提取期望的故障信号。实验结果表明，改进方法不仅有效地分离了轴承外圈和滚动体故障信号，且提高了故障信号提取的速度和准确率。将形态滤波(MF)和稀疏成分分析方法(SCA)结合，实现复合信号特征提取。采用形态滤波方法对复合信号预处理，使其具备一定的稀疏特性。基于势函数法估算源信号个数及其混合形式，并运用SCA方法分离稀疏后的混合信号，估计各个故障源信号。

目录

声明

摘要

第一章 绪论

1．1 课题概述

1．1．1 课题来源

1．1．2 研究背景及意义

1．2 盲源分离的发展历程与研究现状

1．2．1 BSS的发展历程

1．2．2 BSS的研究现状

1．3 论文主要研究内容

1．3．1 研究内容及思路

1．3．2 论文内容安排

第二章 基于EEMD和ICA单通道复合故障诊断

2．1 引言

2．2 传统ICA算法

2．2．1 FastICA算法预处理

2．2．2 FastICA算法基本原理

2．2．3 FastICA算法实现步骤

2．2．4 FastICA算法的不足

2．3 基于EEMD和改进FastICA的复合故障诊断

2．3．1 单通道信号多路化

2．3．2 基于EEMD-SVD-ED源信号数目估计

2．3．3 FastICA改进算法

2．3．4 EEMD和LM-FastICA算法实现步骤

2．4 算法性能仿真分析

2．5 实验验证与分析

2．5．1 滚动轴承故障实验台

2．5．2 LM-FastICA算法在复合故障信号分离中的应用

2．5．3 实验结果对比和分析

2．6 本章小结

第三章 改进CICA算法在复合故障诊断中的应用

3．1 引言

3．2 传统CICA算法

3．2．1 先验知识获取

3．2．2 参考信号建立

3．2．3 CICA算法基本原理

3．2．4 传统CICA算法不足

3．3 基于能量法的CICA改进算法

3．3．1 基于DWT单通道信号多路化

3．3．2 基于能量最大化原则建立参考信号

3．4 算法性能仿真分析

3．5 实验验证与分析

3．5．1 滚动轴承模拟实验台

3．5．2 传统CICA算法在复合故障诊断中的应用

3．5．3 改进E-CICA算法在复合故障诊断中的应用

3．5．4 实验结果对比和分析

3．6 本章小结

第四章 基于形态滤波和稀疏成分分析复合故障诊断

4．1 引言

4．2 SCA算法原理

4．2．1 基于形态滤波的信号稀疏化

4．2．2 势函数法估算源信号个数和混合矩阵

4．2．3 MF-SCA算法实现步骤

4．3 算法性能仿真分析

4．4 实验验证与分析

4．5 本章小结

第五章 结论与展望

5．1 全文工作总结

5．2 研究展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介