不断提高发展旋转机械故障诊断技术能够有效的保障生产安全、规避重大灾难性事故的发生和提高设备安全管理水平。通过监测诊断一体化的“状态检测文修”设计理念为企业生产节省成本与时间[3]。极大程度上利于我国国民经济又好又快地发展。
1.2 旋转机械故障诊断的国内外研究现状
1.3 基于EMD的时频分析方法
时频分析方法应用于机械故障诊断经历了如下历程:
(1)由Gabor最早于1946年提出,后经Allen、Rabiner等人改善的短时傅里叶变换(Short Time Fourier Transformation, STFT)。它是一种平稳信号分析方法,顾名思义只能够分析缓变信号。
(2)以Winger分布、Choi-William分布为代表的二次型的二文分布。Choi-William分布分析在抑制了干扰项的同时,也在一定程度上降低了分辨率。Winger分布则不能使对非线性、非平稳信号分析准确无误。
(3)本质上属于可调窗口傅氏分析的一种时变信号分析法小波变换(Wavelet Transformation, WT)。即便它应用广泛、效果显著,仍存在线性、非真觉、非自适应的缺点。
(4)基于基函数的和基于核函数的两类自适应时频分析。
由于方法的复杂性、先验性诸多原因,国内外对于一般的自适应时频分析方法的研究停留在理论和仿真研究的多,真正应用到实际信号分析的少。而基于经验模态分解(Empirical Mode Decomposition ,EMD)的时频分析方法,它就不必运用信号的先验知识,而是通过原信号分解得到基函数,这便弥补了上述不足,是后验的、自适应的,该方法具有显著的意义,属优秀的时频信号分析法。美国国家宇航局的Norden E.Huang教授最先提出这种方法,所以亦被称之为希尔伯特黄变换(Hilbert-Huang Transformation)。基于EMD的时频分析法不仅能够适应于线性、平稳的信号,也同样适应于非线性、非平稳信号。另一显著特色是它在对短数据序列进行数据延拓的基础上能对短数据序列进行分析。
自从该方法提出后,在地球物理学、生物医学、结构分析、设备诊断、天文学等科学研究和工程应用领域得到广泛运用。然而国内在对该时频分析方法的研究方面稍显滞后。
基于EMD的时频分析方法是先将时间数据序列经验模态分解成本征模函数组后再对之进行希尔伯特变换,最后得到时频谱图分析。本文主要应用其最关键的经验模态分解方法。它实际上是将一个信号进行平稳化处理,把不同尺度的波动或者趋势逐级分解,得到一系列拥有不同特征尺度的数据序列,每个序列称之为一个本征模函数分量。
1.4本文的主要研究内容和结构安排
为了实现动态系统状态监测和故障诊断,首要的任务是从系统中获取可靠的特征信号[8],模式识别分类也是关键之一。本文重点也是围绕这两点展开的。论文的结构安排如下:
第一章 介绍了旋转机械故障诊断的研究意义,国内外研究现状。大体叙述了经验模态分解方法。 旋转机械的故障特征提取方法实现与验证(2):http://www.751com.cn/wuli/lunwen_15542.html