旋轉(zhuǎn)機械故障早期識別方法研究與應(yīng)用.pdf

1、隨著機械設(shè)備向大型化、復(fù)雜化和自動化發(fā)展，機械設(shè)備的故障診斷技術(shù)顯得日益重要。旋轉(zhuǎn)機械是機械設(shè)備的重要組成部分，旋轉(zhuǎn)機械的故障識別也成為重中之重。而在故障發(fā)生的初期階段就識別故障，并采取相應(yīng)措施，是非常有必要的，不僅可以提高經(jīng)濟效益，還可以減少事故的發(fā)生。本文主要是對旋轉(zhuǎn)機械故障的早期識別方法進行研究，基于小波分析和盲源分離研究了三種旋轉(zhuǎn)機械的早期故障識別方法，并在開發(fā)平臺LabVIEW上開發(fā)了旋轉(zhuǎn)機械在線監(jiān)測與故障診斷系統(tǒng)。
　

2、　本文首先研究了一種基于連續(xù)小波變換的早期故障識別方法，根據(jù)小波熵選擇最優(yōu)尺度，然后對該尺度進行小波重構(gòu)，并對重構(gòu)信號進行包絡(luò)譜分析，從而識別故障。本文利用仿真信號和弱故障軸承的實測信號進行驗證分析，都能準(zhǔn)確、有效地識別故障。
　　由于基于連續(xù)小波變換的小波重構(gòu)算法只是對信號的低頻部分進行分解，而對高頻部分沒有分解，于是又研究了基于小波包分解的頻帶優(yōu)化方法來識別旋轉(zhuǎn)機械早期故障，其中小波包分解的子頻帶是同時對低頻和高頻部分進行分解

3、。首先對故障信號和參考信號同時進行小波包分解，然后分別計算對應(yīng)子頻帶的峭度差，根據(jù)仿真信號和實測信號的驗證分析，峭度差最大的頻帶即為最優(yōu)頻帶，對最優(yōu)頻帶的子信號進行包絡(luò)分析，可以很好的識別旋轉(zhuǎn)機械的早期故障。
　　針對多振動源而采集通道有限的振動信號分析，本文基于時頻分析研究了單通道信號的盲源分離方法。首先對振動信號進行經(jīng)驗?zāi)Ｊ椒纸?，并根?jù)分解得到的內(nèi)蘊模式分量估計源信號個數(shù)并選擇最優(yōu)的觀察信號，將單通道信號與最優(yōu)觀察信號組成新的

4、多通道信號進行基于時頻分析的盲源分離。本文具體地闡述了基于時頻分析的盲源分離算法，并對仿真信號和齒輪箱故障信號進行驗證分析，并通過與傳統(tǒng)的基于獨立分量分析的盲源分離算法進行對比，發(fā)現(xiàn)基于時頻分析的盲源分離算法對混合信號具有更好的分離效果。
　　基于LabVIEW平臺開發(fā)了旋轉(zhuǎn)機械的狀態(tài)監(jiān)測與故障識別系統(tǒng)。通過LabVIEW二次開發(fā)AVANT MI-7016數(shù)據(jù)采集儀可以實現(xiàn)8個通道的數(shù)據(jù)采集，并進行在線監(jiān)測顯示振動信號的棒圖、時域