关键词：性能退化评估;;特征提取;;第二代小波变换;;自联想神经网络;;核马氏距离
摘 要：随着科技水平的提高,机械设备不断朝着高速、重载、高稳定性的方向发展,机械结构日趋复杂,工作环境也愈加恶劣。机械设备在服役过程中,零部件的健康状态会随着时间逐渐恶化,因此开展机械设备故障诊断技术的研究对于保障机械安全运行,提高生产效率具有重要意义。轴承和齿轮等旋转机械是机械系统中的重要零部件,其健康状态关乎机械系统的整体可靠性。因此,轴承和齿轮的故障特征提取和性能退化评估一直是设备故障诊断的研究重点。本文在分析轴承和齿轮故障机理的基础上,详细阐述了研究中常见的轴承内外圈故障、齿轮局部故障信号的频率组成,并对上述故障进行仿真,进一步说明故障振动信号的时频域特征。针对故障特征提取,提出了一种完全自适应第二代小波方法,以小波一层分解细节信号的包络谱谱峰因子为评价指标,利用变染色体长度协同进化算法对提升算子的阶数和系数进行同步自适应设计,从而得到非对称也非中间值最大的小波基函数,更加匹配故障冲击的特征波形,利于降低信号中的干扰噪声,凸显信号的周期性冲击特征。将完全自适应第二代小波方法与第二代小波变换和谱峭度方法进行对比,验证了完全自适应第二代小波的优势;工程实际中列车轮对轴承声音信号分析验证了本文方法的实践应用效果。针对故障程度评估,由于基于概率相似度的故障程度评估模型会出现过早饱和,即监测目标还未失效就达到取值上限,本文仅对基于重构的故障程度评估模型和基于边界的故障程度评估模型进行研究。对于重构型故障程度评估模型,提出了一种基于AR模型和自联想神经网络的齿轮性能退化评估方法。该方法的核心是利用AR模型提取齿轮振动信号的状态特征,以模型系数的形式作为自联想神经网络的输入,利用自联想神经网络评估齿轮的故障程度,结合所提出的均方差值故障程度指标完成对齿轮故障程度的评估。对不同故障程度的齿轮振动数据分析表明,本方法能有效辨别齿轮的不同故障程度;利用齿轮全寿命实验数据进一步验证本方法的有效性,结果显示,提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。对于边界型故障程度评估模型,提出了一种基于EEMD和核马氏距离的滚动轴承性能退化评估方法。该方法通过EEMD分解得到各阶IMF的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。最后对齿轮不同故障程度数据和全寿命实验数据的分析验证了基于EEMD和核马氏距离性能退化评估模型的有效性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。
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