在旋转机械故障智能诊断研究中,故障特征的有效提取是机械诊断实施的关键步骤,故障辨识的准确性和可靠性受其影响,因此,这是机械智能故障诊断研究中的关键问题。本文主要应用自适应信号处理方法中的集合经验模态分解结合奇异值分解、熵特征等算法,对旋转型机械中关键部件轴承和转子不同状态的信号进行故障信息的提取与模式识别研究。其主要研究内容如下:(1)针对EMD存在的不足引进EEMD分解算法,通过与EMD分解原理、分解步骤对比,分析了EEMD分解较EMD分解具有较强的抗模态混叠性能,总结了两者的优缺点。此外,还介绍了熵发展完善的过程以及三种经典的熵特征算法原理—信息熵、模糊熵、奇异值熵,描述了三种熵特征适应的序列,结合其物理意义给出了相应的数学表达式及定义。(2)为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解奇异值熵判据的滚动轴承故障诊断方法。该方法首先对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数,并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;然后利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。(3)将奇异值分解(Singular Value Decomposition,SVD)和EEMD两种算法相结合,提出了一种敏感特征提取方法。它适用于描述滚动轴承弱故障状态,为提高信号故障信息的提取质量,首先对采集信号进行相空间重构得到一种Hankel矩阵;根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个IMF和1个余项。依据建立的峭度-均方差准则,筛选出一个最能够有效描述故障状态的敏感IMF分量,并计算其相应的Teager能量算子(Teager Energy Operator,TEO),对此TEO进行Fourier变换,由此实现了对滚动轴承弱故障模式的有效辨识。用美国西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征更能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。(4)针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法。该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合。首先将采集到的信号通过EEMD算法进行分解,获得多个IMFs;将计算出5个高频IMF分量的模糊信息熵组成高维特征集;利用局部保持投影对高维特征信息进行维数约简剔除冗余不相关特征;最后把约简后的样本集带入到KNN分类器中进行故障识别。用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更准确的故障识别率。
暂无评论