论文部分内容阅读
滚动轴承、齿轮等作为机械设备中不可缺少的动力传动装置,一旦发生故障将无法确保机械设备的安全运行,因此,对旋转机械故障进行诊断具有重要意义。旋转机械在运行过程中,其信号呈现出非线性非平稳性的振动,如何从非线性非平稳性的振动信号中提取出故障特征进行故障识别是旋转机械故障诊断的关键。传统的时频分析方法,如短时傅里叶变换、Winger分布和小波变换在旋转机械故障诊断中得到了广泛地使用,但是大多缺乏自适应性,使其应用具有局限性。经验模态分解(Empirical mode decomposition,简称EMD)是一种能够自适应地处理非线性非平稳性信号的方法,克服了传统时频分析方法的缺陷,但其也存在模态混叠、端点效应和过包络与欠包络等问题。为此,本论文在对EMD及其改进方法深入研究的基础上,分析存在的缺陷,然后对理论内容加以完善,提出相应的改进算法。通过仿真信号和实验数据的分析结果表明,所提出的改进算法能够有效地应用于轴承、齿轮和转子碰摩等旋转机械故障信号的诊断。论文主要的研究工作如下:(1)借助噪声辅助分解思想解决了极值加权模态分解的模态混叠问题。1针对于极值加权模态分解方法(Extreme-point weighted mode decomposition,简称EWMD)的模态混叠问题,在分解过程中引入正负成对的白噪声,用改进的EWMD方法进行分解后集成平均,提出了补充集成极值加权模态分解方法(Complementary ensemble extreme-point weighted mode decomposition,简称CEEWMD),将其应用于仿真实验分析和滚动轴承故障诊断中,结果表明CEEWMD方法在抑制模态混叠和分解精度等方面具有优势。2针对于CEEWMD方法的噪声残留问题,自适应地添加白噪声,提出了自适应噪声极值加权模态分解(Complete ensemble extreme-point weighted mode decomposition with adaptive noise,简称CEEWMDAN),通过仿真实验和滚动轴承故障分析的结果可知,CEEWMDAN在抑制模态混叠问题的基础上,减少了噪声残留,分解过程更具完备性,计算量小。(2)针对于自适应噪声完整集成经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)虚假分量过多和噪声残留问题,提出了自适应噪声加权优选经验模态分解方法(Weighted mean-optimized empirical mode decomposition with adaptive noise,简称WMEMDAN)。WMEMDAN以正交性最小为依据从不同权重的迭代筛分结果中选取出最优结果,确保每一阶的分量都是整体最优。将所提出方法应用于轴承故障诊断和齿轮故障诊断,分解结果表明WMEMDAN方法在减少虚假分量和提高分解精度等方面具有优势。(3)在均匀相位经验模态分解(Uniform phase empirical mode decomposition,简称UPEMD)方法的基础上,自适应选取参数,并对迭代过程加权优化,提出了改进的匀相经验模态分解(Improved UPEMD,简称IUPEMD)方法。滚动轴承故障分析和转子碰摩故障分析的结果验证了该方法的有效性和优越性。