论文部分内容阅读
旋转机械是现代工业生产设备中极其重要的组成部分,是诸多机械设备中的一个重要燕类。在各类旋转机械中,滚动轴承扮演着十分关键的角色。为了保障机械设备的正常运行,针对旋转机械滚动轴承的状态监测和故障诊断已经成为重要的研究课题。局部均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的自适应的信号分析方法,由于其在处理非平稳非线性信号上的优势,而被广泛应用于旋转机械故障诊断领域。本文重点研究了局部均值分解方法及其在滚动轴承故障诊断中的应用,主要内容如下:首先,针对LMD分解过程中存在的模态混淆问题,研究了一种基于掩蔽信号和相关系数的掩蔽局部均值分解(Masking Local Mean Decomposition,MLMD),并通过仿真信号和实际的滚动轴承振动信号对该方法的可行性进行验证。其次,针对多尺度排列熵(Multi-Scale Permutation Entropy,MPE)粗粒化过程的局限,研究了复合多尺度排列熵(Composite Multi-Scale Permutation Entropy,CMPE),并与LMD、综合关联分析相结合,研究了一种基于LMD-CMPE和综合关联分析的滚动轴承故障诊断方法。该方法首先对故障信号进行LMD分解,然后选取包含故障信息较为丰富的前几个乘积函数(Product Function,PF)计算CMPE作为特征向量,在灰色相似关联度的基础上融入相近性因子,综合考虑相似性和相近性对CMPE特征向量进行模式识别,实现不同类型故障的判别。最后,从瞬时特征分析的角度出发,依据LMD算法的自身特点,定义了基于LMD的瞬时能量谱,并在此基础上结合信息熵的概念,提出了瞬时能量谱熵,并与数学形态学去噪相结合,应用到滚动轴承振动信号的特征提取当中。基于LMD的瞬时能量谱可以准确地反映故障特征频率,瞬时能量谱熵对不同运行状态的滚动轴承振动信号有稳定的区分度,将其作为故障特征参数可以有效地区分不同类型的故障。