论文部分内容阅读
转子、齿轮和轴承等作为许多机械设备的重要零部件，在运转过程中起着举足轻重的作用，对这些零部件的故障诊断方法进行研究具有重要的现实意义。目前，通常以时频分析方法作为处理非平稳机械故障振动信号的主要手段。本文采用经验小波变换这种自适应的时频分析方法，并结合一些其他的处理手段，对机械故障振动信号进行分析处理。主要研究内容如下： 1、基于经验小波变换时频分析的机械故障诊断 经验小波变换(EWT)是一种针对信号傅里叶频谱进行划分滤波的信号处理方法。该方法首先针对信号的傅里叶频谱极大值进行自适应的划分；然后建立小波滤波器组对划分过的频谱进行滤波，对滤波后得到的单分量成分进行Hilbert变换并得到其时频分布；最后针对仿真信号和几组典型的实验转子故障信号进行EWT方法和经验模态分解方法(EMD）的性能比较研究，结果表明：EWT方法能准确地分析机械故障信号，故障特征值明显，可有效应用于旋转机械故障诊断。 2、基于改进的EWT和快速谱峭度滤波的齿轮与滚动轴承故障诊断 改进的经验小波变换方法（IEWT）是一种自适应信号处理方法，本文提出将该方法和快速谱峭度（FSK)相结合，进行齿轮和滚动轴承的故障诊断。首先采用IEWT方法对信号进行分解重构；然后对重构信号进行快速谱峭度滤波；最后对滤波后的信号进行包络谱分析，从而得到信号的故障特征频率成分。使用该方法分析齿轮断齿故障和滚动轴承故障信号，并与EMD方法的性能进行比较研究，结果表明该种方法更具区分性，可以有效识别齿轮和滚动轴承的的故障类型。 3、基于IEWT和模糊C均值聚类的滚动轴承故障诊断 将IEWT变换、奇异值分解(SVD)和模糊C均值聚类算法(FCM)相结合进行滚动轴承故障模式识别，该方法首先采用IEWT方法对信号进行分解，取相关系数较大的几个分量组成初始特征向量矩阵，而后对初始特征向量矩阵进行奇异值分解，组成奇异值特征向量矩阵，最后将奇异值特征向量矩阵作为数据源输入FCM进行故障模式识别。将该方法与基于EMD和FCM的模式识别方法进行对比，结果表明基于IEWT和FCM的模式识别方法具有更高的准确性和区分性，可以有效的应用于滚动轴承故障诊断.