论文部分内容阅读
滚动轴承故障诊断的关键一步在于如何从复杂的滚动轴承故障信号中提取有效的故障特征信息。传统的信号处理方法如经验模态分解(Empirical Mode Decomposition,EMD)、局部均值分解(Local Mean Decomposition,LMD)等,它们均是依赖于原始信号的极值点分布的局部特征,可以自适应的把滚动轴承振动信号分解成为若干有物理意义的分量,从而完成对滚动轴承的故障诊断。但EMD、LMD方法等都存在模态混叠、边界效应、抗噪性不强等不足,这些都在一定程度上降低了滚动轴承故障诊断的可靠性。因此引入新的信号自适应时频分析方法对滚动轴承故障诊断研究领域十分重要。基于此本文研究了自适应迭代滤波分解方法(Adaptive Local Iterative Filtering For Signal Decomposition,ALIF)的基本原理及其在滚动轴承故障诊断中的应用。论文主要研究内容如下:(1)研究分析ALIF分解方法的基本原理,通过仿真信号将其与EMD、LMD和LCD分解效果作对比,论证ALIF分解方法具有和EMD方法同等分解能力。同时ALIF被应用在滚动轴承外圈故障诊断,论证该方法应用在滚动轴承故障诊断领域的可行性。(2)针对ALIF分解方法分解结果中出现的模态混叠问题,提出了基于噪声辅助分析的总体平均自适应迭代滤波分解方法(Complete Ensemble Adaptive Local Iterative Filtering Decomposition,CEALIF),并将CEALIF分解方法应用于仿真信号分析与集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、完备总体平均经验模态分解(Competele Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)进行对比,分析CEALIF分解方法抑制模态混叠问题的能力。同时将CEALIF分解方法成功应用于齿轮箱复合故障。(3)针对ALIF分解结果出现的端点效应,提出了镜像延拓和支持向量回归机(Support Vector Regression,SVR)数据延拓两种数据延拓方法,并将采用数据延拓后的ALIF分解结果与未延拓的分解结果做对比,分析了数据延拓方法在解决ALIF分解方法端点效应问题的可行性和实用性。(4)综合分析ALIF分解方法的具体研究结果提出了改进的自适应迭代滤波分解方法(Improved Adaptive Local Iterative Filtering Decomposition,IALIF)。通过仿真信号与采用SVR数据延拓后的EEMD分解结果作对比,分析IALIF抑制模态混叠和端点效应的能力。同时,针对在实际工况中获取的滚动轴承信号往往包含着大量的噪声和其它的冗余信息,提出IALIF分解方法与卷积神经网络(Convolutional Neural Network,CNN)结合的滚动轴承故障诊断方法。其基本思路是首先利用IALIF分解方法分解滚动轴承故障信号并提取有效特征分量,然后将其组成的数据集输入到CNN模型中完成训练,训练完成后利用该模型即可完成滚动轴承模式识别。同时通过具体滚动轴承实验信号分析,结果表明该方法可以完成对滚动轴承故障的定性诊断,且识别率较高,具有一定的实用性。