旋转机械是机械设备中十分关键的动力装置。旋转机械一旦出现故障,整条线上设备可能停止运行,更严重时会危及人员的生命安全以及面临着严重的经济损失。因此,开展旋转机械故障诊断以及趋势研究具有重要意义。齿轮故障诊断的关键在于提取故障特征信息,而这需要选择合适的信号分解方法,目前常用的信号分解方法有经验模态分解(Empirical Mode Decomposition,EMD)和局部均值分解(Local Mean Decomposition,LMD)等。然而,这些方法虽然不断改进,仍然存在许多难以解决的问题,故引入新的信号分解方法到齿轮故障诊断研究领域变得尤为重要。本文研究了变分模态分解(Variational mode decomposition,VMD)方法在旋转机械故障诊断及其趋势分析中的应用。首先分析VMD方法自身的缺陷,然后进行改进,并将改进方法与稳健型广义形态分量(Robust Generalized Morphological Component Analysis,RGMCA)方法结合,实现旋转机械的混合故障的盲源分离;将改进方法与基于变量预测模型模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)等方法结合,实现变转速条件下的齿根裂纹的定量诊断。本文主要完成了两个方面的研究:VMD方法的理论研究和VMD方法在旋转机械故障诊断中的应用研究。论文主要研究内容如下:(1)通过仿真分析论证VMD方法在一定范围内优于EMD方法,并分析VMD方法的缺陷:针对VMD方法中模态的个数6)要预先设定的缺陷,提出基于变动量改进的VMD方法;针对IVMD方法中惩罚参数要预先设定的缺陷,提出基于梯度下降法改进的IVMD方法(GD-IVMD);针对VMD方法中模态的个数6)和惩罚参数要预先设定的缺陷以及分解后的分量排列无规律的缺陷,提出基于萤火虫算法和主模态分析法改进的VMD方法(FA-PMA-VMD);并将改进VMD方法进行仿真分析并与EEMD方法进行对比,体现出了该方法在一定范围内的优越性和实用性。(2)将RGMCA方法与IVMD方法结合,针对振动信号在盲源分离过程中的需解决的欠定问题,用IVMD方法将信号分解,并将分解信号与原始信号组合,解决欠定不可解的问题,并通过RGMCA方法将新的混合信号进行盲源分离;模拟旋转机械混合故障,利用IVMD-RGMCA方法对该仿真混合故障信号进行分解,验证出该方法在模拟旋转机械混合故障中有良好的效果,并用实际的旋转机械混合故障对该方法进行验证,试验结果表明,在实际信号中,该方法也具有实用性。(3)对齿根裂纹的故障机理进行研究,建立齿轮传动的动力学模型,通过对齿轮故障下的动力学响应的特征分析,寻找对裂纹程度敏感但对转速变化迟钝的特征值;通过将FA-PMD-VMD方法应用到实验信号,论证经FA-PMA-VMD预处理后计算出的特征值对实际齿轮信号的齿轮裂纹故障程度有很好的敏感性和跟随性;将VPMCD模式识别方法,与FA-PMD-VMD相结合,应用到不同裂纹程度的齿轮故障诊断中,试验分析验证了该方法可以对齿轮裂纹故障进行定量诊断,具有一定的实用性。
暂无评论