关键词：故障诊断;盲源分离;经验模态分解;变分模态分解;故障识别;高阶累积量;支持向量机
摘 要：随着工业化程度的持续加深,各种设备的生产和使用越来越多。但是在机械设备的启动和运行过程中不可避免地会出现磨损、断裂等意外情况,所以机械设备要在发生故障后,做出及时准确的诊断,以防止产生更大的损失。为此,本文围绕旋转机械的故障诊断进行了探讨。论文主要研究工作如下:针对振动信号的测量和获取,设计了振动信号检测分析系统。搭建了硬件系统,并利用C#程序设计语言开发了信号采集软件,将振动信号存储在计算机中。然后利用Matlab软件的GUI编程实现了振动信号的读取。并利用信号常用处理方法实现了故障诊断功能。另外,系统还可以进行多种故障诊断方法的扩展。针对滚动轴承内圈故障,利用基于Gabor变换盲源分离的方法,将多路传感器测量的振动信号盲源分离,再运用EMD分解的办法对分离后的结果分解,最后对分解结果进行局部细化Hilbert包络功率谱处理,得到了比只用局部细化Hilbert包络功率谱处理方法更明显的故障特征。针对滚动轴承的内圈、外圈和滚动体的故障,利用VMD分解的方法对振动故障信号进行分解,然后对分解后的信号进行局部细化Hilbert包络幅值谱分析。结果表明与直接用Hilbert包络幅值谱处理以及EMD处理后再用Hilbert包络幅值谱处理的方法相比较,轴承的故障特征更加明显,证实了此种处理办法的效果更好。提出了一种基于高阶累积量和基于支持向量机(SVM)相组合的轴承故障状态识别方法。首先提取已知故障状态的振动信号的高阶累积量为特征向量,然后利用特征向量训练支持向量机。再提取另一组已知故障状态的振动信号的高阶累积量为特征向量,将特征向量输入向量机进行验证。测试结果表明,采用高阶累积量和支持向量机相组合的方法得到较高的故障状态识别率。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取