基于自適應(yīng)最稀疏時頻分析的旋轉(zhuǎn)機械故障診斷方法.pdf

1、對旋轉(zhuǎn)機械進行故障診斷，實際上就是有效地提取其故障特征信息，目前應(yīng)用較廣泛的是基于時頻分析的故障特征提取方法，如經(jīng)驗?zāi)B(tài)分解方法(EmpiricalMode Decomposition，EMD)、局部均值分解(Local Mean Decomposition，LMD)等。然而這些方法仍存在一些難以解決的問題，因此，對新的時頻分析方法的研究依然是旋轉(zhuǎn)機械故障診斷領(lǐng)域的熱點。受EMD方法和壓縮感知理論的啟發(fā)，THOMAS Y.HOU和Zuo

2、qiang SHI提出了自適應(yīng)最稀疏時頻分析(Adaptive andSparsest Time-Frequency Analysis，ASTFA)方法，并將其應(yīng)用到了氣象數(shù)據(jù)的處理中。該方法基于多尺度數(shù)據(jù)具有內(nèi)在的稀疏時頻分布的特點，以分解得到的分量個數(shù)最少為優(yōu)化目標，在目標優(yōu)化的過程中實現(xiàn)信號的分解。本文在國家自然科學(xué)基金項目(51375152)的資助下，將ASTFA方法引入到旋轉(zhuǎn)機械故障診斷中。
　　本文主要研究內(nèi)容如下:<

3、br>　　1.討論了目前應(yīng)用比較廣泛的幾種時頻分析方法，重點研究了ASTFA方法。通過仿真信號的對比分析，驗證了ASTFA方法的有效性;將ASTFA方法引入到旋轉(zhuǎn)機械中的齒輪和滾動軸承的故障診斷中，試驗診斷結(jié)果證明了該方法在旋轉(zhuǎn)機械故障診斷中的實用性。
　　2.針對ASTFA方法中初值選取不準確和模態(tài)混淆問題，提出了改進的自適應(yīng)最稀疏時頻分析(Improved Adaptive and Sparsest Time-Frequenc

4、y Analysis,IASTFA)方法。該方法將粒子群算法應(yīng)用到ASTFA初值的自適應(yīng)最優(yōu)選取中;將頻率掩蔽信號添加到分解信號中，通過限制分解信號的帶寬來抑制其分解過程中的模態(tài)混淆。仿真和實驗的結(jié)果驗證了該方法的有效性。
　　3.針對旋轉(zhuǎn)機械的復(fù)合故障故障診斷問題，將IASTFA方法應(yīng)用到單通道盲源分離(Blind Source Separation，BSS)中，提出了基于IASTFA-BSS的旋轉(zhuǎn)機械復(fù)合故障診斷方法。將IAS

5、TFA方法引入到單通道信號的分解中，把盲源分離中的欠定問題轉(zhuǎn)化為正定問題，進而實現(xiàn)信號的盲分離。仿真和試驗的結(jié)果都驗證了IASTFA-BSS方法在旋轉(zhuǎn)機械復(fù)合故障診斷中的實用性。
　　4.將IASTFA方法應(yīng)用到了滾動軸承的特征提取中，并與基于分位數(shù)回歸的多變量預(yù)測模型的模式識別方法(Quantile Regression-Variable Predictive Modebased Class Discriminate，QRVPM