论文部分内容阅读
机械设备的可靠性问题在随着“中国制造2025”的提倡落实、中国的工业化进程不断扩大和升级的过程中,显得越突出。转子作为常见旋转机械的主要传动件,其运行状态关系设备使用方的直接利益。保障转子设备的安全可靠性即需要在问题故障发生的早期、程度较轻时就得到准确的检测和诊断。本文目标面向旋转机械的主要传动部件——转子系统,提出一种自适应的时频分析故障诊断方法和多种故障模式识别方法,针对转子早期轻度故障特征微弱不易诊断的问题进行研究。针对转子故障诊断过程中尤为重要的特征提取和分类识别两块内容,通过实验数据的处理来解决具体的诊断问题。考虑经验模态分解的自适应性分解信号的优点,选择集合经验模态分解方法作为特征提取方法和分类识别方法的基础。在此之上提出了基于加权思想的小波阈值降噪方法对信号进行预处理,降低特征提取过程中的干扰因素;选用峭度原则对EEMD分解结果进行故障信号的筛选重构,提高转子早期轻度故障振动的能量占比;在对所提出特征提取方法效果进行分析时发现该方法的有效性没有达到预期的针对全部故障形式有效,采用希尔伯特-黄变换分析方法的特征提取结果作为对比说来说明提出方法的最终效果;最后结合的具有数理统计优势的自回归模型和小样本训练高准确性的支持向量机方法对转子系统的常见故障进行分类识别。最终通过仿真实验验证了改进小波阈值降噪方法在信号降噪预处理方面的有效性,以及基于峭度原则的EEMD特征提取方法的性能;通过实验进一步对具体的5种常见转子故障形式进行特征提取和诊断,对比希尔伯特-黄分析方法结果发现对于不同振动激励方式产生的故障形式两种方法均不能完全保障有效性,但是提出的基于峭度原则的EEMD特征提取方法有效性能更好且物理意义更为明确;基于支持向量机的转子故障分类识别方法也由实验数据验证了其100%的分类识别精度。