论文部分内容阅读
盲源分离就是从已知的观测混合信号中分离出未知源信号的过程，将其应用到机械设备故障诊断领域，可把故障信号分离出来，以便对信号进行后续处理，进行故障诊断。本文在信号降噪的基础，提出了EEMD-SVD的降噪方法，并将该降噪方法与盲源分离相结合，将其应用到齿轮箱系统的故障诊断中，通过实际数据验证了此方法的可行性和有效性。本文所做的主要内容可概括如下： 详细介绍了盲源分离的基本理论，阐述了盲源分离的FastICA算法及JADE算法，并对这两种算法进行了仿真实验，通过对分离后信号的分析，判断分离前后信号的一致性，验证了算法的有效性及可行性。 分析了齿轮和轴承的振动机理和主要失效形式，分析了齿轮箱的常见故障形式及其振动信号特征；并对齿轮箱振动源进行了分析，介绍了齿轮箱的时域诊断参数及其在故障诊断的应用。 对盲源分离的源数估计问题进行了分析。在对奇异值降噪研究的基础上，提出了依据相邻奇异值差值的标准差设定阀值的改进降噪方法，并进行了仿真分析，然后将其与EEMD分解相结合，提出了EEMD-SVD的降噪方法，并通过实验仿真验证了应用该方法降噪能取得良好的降噪效果。在此基础上，将该降噪算法与JADE算法相结合，对含噪信号进行盲源分离，通过仿真发现，应用该方法对噪声背景下的混合信号进行分离，能取得更好的分离效果，验证该方法的可行性。 在上述研究的基础上，利用实验室的齿轮箱实验平台，将EEMD-SVD降噪方法与JADE算法相结合，应用到齿轮箱振动信号的分离中，通过对分离后信号的后续分析，对齿轮箱的混合故障进行了诊断并取得了良好效果，表明了该方法对齿轮箱进行故障诊断的准确性和可靠性。