论文部分内容阅读
在机电设备故障诊断领域,检测机电设备健康状况最重要的手段是设备运行过程中产生的振动信号。而滚动轴承作为机电设备重要的组成部件之一,产生的振动信号往往具有非平稳性、非线性等特性,组成成分比较复杂。近年来常用的非平稳信号分析方法种类繁多,如小波变换(Wavelet transform,WT)、经验模态分解(Empirical mode decomposition,EMD)、快速谱峭度等。传统的信号处理方法虽然能够提取振动信号中有效的故障特征成分,但是不能保证提取出最丰富的故障特征信息,给精准地诊断滚动轴承故障类型带来困难。(Empirical wavelet transform,EWT)作为一种新颖的信号分解方法,已广泛地应用于机电设备故障诊断中。该方法克服了EMD中模式混淆、端点效应等不足,同时保留了小波的基本特性,具有对信号频域自适应划分的特点,被越来越多的故障诊断领域的专家学者所关注。从振动信号中提取含有故障特征成分的边频带是有效诊断轴承故障的关键。EWT对振动信号进行了自适应地频带划分,为有效提取最佳边频带提供了有力的理论支撑。但是EWT的频带划分还存在一些不足,在频带划分的合理性方面也亟需改进。因此,本文充分研究了滚动轴承振动信号的特征,以EWT为主要研究方法,探索确定最佳边频带的新方法,有效地提取出了故障特征信息,实现了滚动轴承的故障诊断。论文主要包括以下内容:(1)详细介绍了EWT的基本原理,研究了滚动轴承振动信号特征,对比分析了EWT与EMD在轴承故障特征提取时的不同。(2)利用经验小波变换的滤波特性,结合谱峭度原理,提出了扫描经验谱峭度方法(Empirical scanning spectral kurtosis,ESSK),实现了滚动轴承故障特征边频带的提取。该方法能够准确地找到最优边频带对应的中心频率与带宽,提取出最为丰富的故障特征信息。仿真与实验信号证明了其有效性。(3)对ESSK频谱划分部分进行优化,提高运算速度,并结合谱负熵原理提出了精细谱负熵方法(Accurate spectral negentropy,ASNE)。该方法以谱负熵为筛选指标,能够成功地捕捉信号中周期性冲击成分,并通过EWT滤波器实现对故障特征信息的提取。(4)针对ESSK与ASNE易受到偶然冲击干扰的问题,提出了一种多片段融合经验小波变换(Multi-fragment merged empirical wavelet transform,MMEWT)与稀疏度选择最优片段(Optimization segment selected by sparsity,OSSS)的新方法(MMEWT-OSSS)。首先通过多片段融合方法改进了EWT,优化其频带划分方法;通过与Hilbert变换有机融合,得到EWT包络分量,并通过稀疏值对分割的片段进行最优片段的选取;将该方法应用到轴承故障的仿真信号和实验信号中,成功地提取出了故障特征频率成分,实现了滚动轴承的故障诊断。