论文部分内容阅读
齿轮箱作为现代机械设备中重要组成部件之一,对其进行故障诊断研究具有重要的现实意义。目前,存在许多齿轮箱的故障诊断方法,但对于实际的齿轮振动信号,由于受到工作环境及齿轮振动信号自身具备非平稳特性的影响,单一的方法有时难以提取有效的齿轮故障特征信息。因此,本文采用多种方法相结合来实现对齿轮箱的故障诊断。其主要研究内容包括:1、基于局部均值分解的齿轮箱故障诊断研究。研究了局部均值分解和经验模态分解两种算法在时频分析方面的性能,提出了一种新的基于局部均值分解的自适应时频分析方法,简称LMD-AWVD。首先利用局部均值分解优良的自适应时频分解能力获得振动信号的若干个PF分量;然后计算各PF分量的相关系数并据此挑选含故障信息丰富的PF分量作为主PF分量;最后计算各主PF分量的Wigner-Ville分布并进一步叠加得到系统整体的时频分布。实验结果表明,LMD-AWVD方法能有效地应用于齿轮故障诊断中。2、基于固有时间尺度分解的齿轮箱故障诊断研究研究了固有时间尺度分解(ITD)的算法改进,针对ITD方法的一些缺陷问题,提出了一种集成固有时间尺度分解(EITD)方法。研究了数学形态滤波在振动信号中的降噪性能,分析了奇异值分解(SVD)在特征提取方面的优良特点,将EITD方法与组合形态滤波和奇异值分解相结合定义了一种形态奇异值熵。针对非平稳齿轮振动信号的有效故障特征提取和分类问题,提出了一种基于形态奇异值熵和支持向量机的齿轮故障诊断方法。3、基于固有时间尺度分解的风力发电机组齿轮箱故障诊断研究针对风机齿轮振动信号的非平稳性以及难以提取有效故障特征的问题,提出了一种新的风力发电机组齿轮箱故障诊断方法。首先使用三次样条插值拟合基线控制点,将振动信号分解为一系列固有旋转分量;然后选择相关系数最大的PR分量进行小波包分解,计算分解后小波包系数的能量分布,选择能量比重较大的小波包系数重构PR分量;最后计算重构PR分量的关联维数,实现振动信号的故障诊断。实例分析表明,所提出的方法能有效提取风机齿轮箱的故障特征,实现信号的模式识别。