基于振动信号的旋转机械故障特征提取方法研究

摘要

旋转机械设备故障的尽早诊断识别是避免产生重大生产事故的有效手段，其关键问题是如何精确提取故障特征。基于振动信号分析技术的故障特征提取方法具有实时性强、可靠性高和便捷等优点，已经获得广泛采用。然而，旋转机械故障信息往往较弱且信噪比低，有用信息通常被无关设备的振动和环境噪声等非故障信息所淹没，以致传统信号分析方法或单一的现代信号技术往往难以进行有效的故障特征提取。本文以振动信号分析技术为主要分析手段，以齿轮箱为主要研究对象，深入研究了形态小波和FastICA算法在旋转机械故障信号特征提取中的应用途径，并将自适应形态梯度提升小波(AMGLW)、改进的FastICA与峭度等理论相结合，建立了以AMGLW-rFastICA-峭度综合分析法为基本框架的旋转机械故障特征提取体系，研究内容主要包括以下几个方面：
　　(1)介绍了齿轮箱的核心部件齿轮及滚动轴承的振动故障机理，并分析了其故障信号特征，为后续的故障特征识别奠定了基础。
　　(2)针对实际观测信号中包含强背景噪声的问题，采用具有更好降噪性能的AMGLW算法进行降噪预处理，并对其步骤及其优势进行详细的解析，最后通过仿真信号分析，与传统形态滤波和形态提升小波的降噪效果进行对比分析，验证了AMGLW降噪的有效性及优越性。
　　(3)针对观测信号由多振动源非线性混合而成，在深入研究了FastICA算法的基础上，采用具有更好收敛稳定性的rFastICA算法对观测信号进行解耦分离，使故障特征信息得到增强，最后通过仿真信号分析验证了rFastICA算法具有更好的分离性能，并深入探讨了噪声及源信号的非高斯性对rFastICA算法分离性能的影响。
　　(4)针对识别包含故障特征信息的分离信号问题，引入了峭度指标，利用其对故障冲击信号的敏感性来判断分离信号是否包含故障特征信息，并通过仿真分析验证了峭度的优良识别能力。
　　(5)基于上述的研究，从优势互补的角度出发，提出了AMGLW-rFastICA-峭度综合分析法，用来从复杂的观测振动信号中有效提取出微弱的故障特征信息，最后通过对齿轮及滚动轴承实验数据的分析，证明了所提出的综合分析法在故障特征提取方面的有效性及精确性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 引言

1.2 振动信号分析技术研究现状

1.3 本文的工作

第2章 齿轮箱振动机理及故障信号特征

2.1 齿轮振动机理与故障信号特征

2.2 滚动轴承振动机理与故障信号特征

2.3 本章小结

第3章 自适应形态梯度提升小波

3.1形态学滤波

3.2 形态小波

3.3 自适应形态梯度提升小波降噪算法

3.4 仿真信号分析

3.5 本章小结

第4章 rFastICA算法分析

4.1 ICA基本理论

4.2 FastICA算法

4.3 rFastICA算法

4.4 仿真信号分析

4.5 影响rFastICA算法的因素分析

4.6 本章小结

第5章 AMGLW-rFastICA-峭度分析法

5.1 峭度

5.2 包络谱

5.3 AMGLW-rFastICA-峭度综合分析法

5.4 仿真分析

5.5 本章小结

第6章 实验分析

6.1综合分析法在轴承故障特征提取中的应用

6.2 综合分析法在齿轮故障特征提取中的应用

6.3 本章小结

本文工作总结

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢