基于經驗模態(tài)分解的故障診斷方法研究.pdf

1、隨著現(xiàn)代工業(yè)的發(fā)展及機械自動化程度提高,一些大型旋轉機械設備應用越來越廣泛,如何保證這些機械設備安全穩(wěn)定運行成為一項重要課題,機械設備的故障診斷技術越來越受到重視,它是故障信號處理的關鍵技術。故障診斷技術一般采用時頻分析方法,傳統(tǒng)方法(如短時Fourier變換、小波變換等)在處理復雜的故障信號時具有一定的作用,但也存在局限性。信號的平穩(wěn)性是傳統(tǒng)信號處理方法的前提,信號特征只能分別通過時域或者頻域反映,而信號的時域和頻域的局部化特征和全貌

2、無法同時兼顧,這就限制了傳統(tǒng)時頻分析方法的發(fā)展,它對復雜的信號特別是非平穩(wěn)、非線性的故障信號不能進行自適應、有效地分析和進一步的處理。發(fā)展新的故障診斷技術成為當務之急,以現(xiàn)代信號處理技術為基礎的故障分析方法應運而生,其在設備運行狀態(tài)監(jiān)測和保障機械安全運行,預防事故等方面具有重要的意義。
　　 本文闡述了幾種應用于故障診斷領域的時頻分析方法,深入研究了經驗模態(tài)分解方法,并針對經驗模態(tài)分解算法存在的問題重點展開討論,提出了解決這些問

3、題的方法,本文的研究內容如下:
　　 (1)對常用的機械故障信號時頻分析方法進行了研究,如短時Fourier變換、wigner-ville分布、小波變換等,總結這些方法的特點及不足,在此基礎上引出Hilbert-Huang變換(HHT)以及其精髓經驗模態(tài)分解(EMD),并指出EMD分解算法中有幾個問題需要解決,如模態(tài)混疊、端點效應、包絡線的擬合。
　　 (2)提出一種高頻信號輔助法來抑制EMD過程中的模態(tài)混疊問題。在篩分

4、之前向信號中加入己知小幅高頻的正弦信號,以此改變原始信號的極值分布即改變信號的包絡,去“淹沒”那些異常事件,使異常事件不再那么明顯,從而使信號包絡更自然,可以有效抑制模態(tài)混疊現(xiàn)象,提高EMD的整體分解效果。與傳統(tǒng)的EMD方法對比,改進的方法能有效抑制模態(tài)混疊問題。
　　 (3)利用線性外推法來處理信號端點處極值。經驗模態(tài)分解需通過極值點描述信號上下包絡線,但是信號兩端邊界的極大值和極小值不好估計,包絡線就存在著變數(shù),這樣經驗模態(tài)

5、分解過程就會產生邊界誤差,隨著分解進行邊界誤差會向內傳播,從而污染內部數(shù)據(jù),導致分解結果不合理。通過分析幾種典型的抑制端點效應的方法,把線性外推法引入EMD,以獲得觀測區(qū)間邊界極值點,這種方法簡單而且可以有效地抑制端點效應。
　　 (4)提出基于非均勻有理B樣條曲線的信號包絡擬合新方法。該方法通過弦長參數(shù)化,得到定義域內的節(jié)點矢量,利用信號極大值、極小值點反算得到非均勻B樣條曲線的控制多邊形,然后利用節(jié)點矢量和控制多邊形一起構造