论文部分内容阅读
随着大规模生产的发展和科学技术的进步,现代设备自动化水平日益提高,系统的规模也不断加大,功能以及复杂性相应的也不断地扩大,因此,系统的风险也越来越高。研究机械故障诊断技术对设备提高生产的可靠性和安全性具有重要意义。论文以转动轴承部分采集的信号为研究对象,对如何有效的提取振动信号特征这一关键问题提出了一种多元经验模态分解(Multivariate Empirical Mode Decomposition,简称Multi-EMD)、互近似熵(cross Approximate Entropy,cApEn)和GG聚类的滚动故障轴承诊断方法。首先,阐述了几种常见的机械设备故障种类和滚动轴承的内部原理、振动信号产生原理;在对国内外轴承故障研究现状分析的基础上,针对以往信号分析法的局限性,确立了本文的研究方法和工作内容。其次,对EMD(empirical mode decomposition,EMD)这种算法和其在信号处理中的应用进行了详细讨论。由于经验模式分解存在模态混叠现象问题,严重影响分解精度和效果,故引入多元经验模式分解(Multivariate Empirical Mode Decomposition,Multi-EMD)方法,该方法不仅保留了EMD方法的良好特性,能准确获得信号不同尺度的局部特征信息,并且能很好的解决EMD遗留下来的分量间的频率混叠现象。然后,Multi-EMD解决了采样不均衡性,具有多路信号分解的特性;以美国西储大学的轴承振动数据为信号源,采集的信号具有复杂非线性及周期不平稳运行特性。因为熵这一理论能有效捕捉信号的特征特性,采用熵表征信号的复杂性和不确定性。在能够更充分地表征信号内在的动力学特征上引入互近似熵理论(cross approximate entropy,cApEn),互近似熵是近似熵的改进,能有效地反映信号信息的交互性。互近似熵可以很好地作为聚类特征向量,在比较了FCM聚类、GK聚类和GG聚类后,使用GG聚类进行分类。最后,针对美国西储大学故障数据以及上海宝钢实际采集数据进行滚动轴承故障诊断实验分析。为了提高了计算的准确性,对故障信号进行信号特征分解后得到一系列IMF分量。然后对不同信号的IMF分量求取互近似熵值,重新构建互近似熵矩阵,根据互近似熵矩阵然后对不同的信号进行聚类分析。根据贴近度方法分析可知,该方法可以有效的判断出不同的故障信号。