非平稳非高斯信号特征提取与故障诊断技术研究

《非平稳非高斯信号特征提取与故障诊断技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、合肥工业大学博士学位论文非平稳非高斯信号特征提取与故障诊断技术研究姓名：郑海波申请学位级别：博士专业：机械制造及其自动化指导教师：陈心昭2002.6.1鱼!墨三些奎堂竖主堂笪堡奎一摘要关键、也是最困难的问题之一就特征提取是当前机械故障诊断研非高斯信号处理理论中最受关注非高斯的机械振动信号的特征提取与故障诊断问题进行了深入而全面的研究。第～章阐明了选题的意义；对小波变换、时频分布和高阶统计量与故障诊断进行了文献综述；介绍了国内外的主要研究机构及本论文的主要工作。第二章介绍了离散小波变换和连续小波变换的理论基础和工程理解，剥它们在汽车变速箱齿轮振动信号的特征提取与故障诊断

2、中的应用做了系统的研究；提⋯了一种小波神经网络故障诊断系统，并利用该系统对变速箱三挡齿轮故障程度进行了估计：自行提出基于Morlet连续小波变换的时间平均小波谱的概念，建立了两种基于时间平均小波谱的故障诊断方法：谱形比较法和特征能量法，并将这两种方法应用在变速箱齿轮故障诊断中，为齿轮故障诊断提供了一种新方法。第三章摆脱了Donoho的阈值消噪思想，从能量的角度建立了基于小波包的自动消噪算法；提出基于小波包能量分布的齿轮故障特征信号提取方法l舸以将齿轮啮合振动信号、干扰振动信号以及故障冲击振动信号从原始齿轮振动信号中分离出来：首次将基追踪消噪算法引入到机械故障信号的消噪

3、与特征提取上，通过对齿轮故障信号的消噪，表明了它的有效性，并对影响该方法实际应用效果的因素进行了全面的分析，同时也指出了该方法存在的局限性。Y第四章首次引入一种重分配方法，得到干扰项少而分辨率高的重分配平滑伪魏格纳维尔分布(RSPwVD)：对发动机曲轴主轴承晌、连杆轴承响、活塞销响、活塞敲缸响、气门响和挺杆响等常见机械异响故障振动信号特征进行了全面地比较分析；通过对各种异响故障特征信号的分析研究，提出基于RSPWvD的发动机多异响故障诊断策略，利用该策略可以准确识别不同的发动机异响故障。第五章引入了双谱和双相干谱的基本理论；深入研究了汽车变速箱齿轮振动信号的双谱和双相

4、干谱特征，发现双谱比双相干谱更并对不同齿轮状态下的双谱特征、频率间的耦合情况于双谱能量分布和BP神经网络的齿轮故障诊断方法，损信号和断齿信号进行了分类，效果十分显著。{：基磨第六章介绍了作者利用LabVIEW开发平台开发的齿轮信号消噪与故障诊断仪一GDDVI(GearDenoisingDiagnosisVirtualInstrument)，旨在把本文提出的基于小波包的齿轮信号消噪技术与基于连续小波变换的齿轮故障诊断方法等理论成果转合肥工业大学博士学位论文换为虚拟仪器的形式，以加快这些技术的实用化进程；GDDVI的功能有：齿轮振动信号的消噪处理、齿轮啮合振动信号、干扰振

5、动信号以及故障冲击振动信号分离、比较不同小波母函数时的消噪结果；功率谱分析、连续小波变换、时问平均小波谱的计算与显示、齿轮故障程度诊断、齿轮维护建议等。第七章，全文总结。关键词：特征提取，故障诊断，小波变换，时频分析i，双谱分析，弃}喂I变速箱齿轮，发动机基螋：神经网络，虚拟仪器lI一鱼墨三些查堂竖主堂垡笙塞———————————————————————-————————_———_——_—-—_——-_——-_——————_——————一ABSTRACTAsweknow,featureextractionisthemostimportantanddifficultto

6、picinthefieldofmechanicalfaultdiagnosis．Tosomeextent，featureextractionisaproblemwhichbinderthemechanicalfaultdiagnosistechniquefromgettingfurtherimprovement．Inthisthesistheproblemoffeatureextractionandfaultdiagnosisisaddressedusingwavelet，time—frequencydistributionandbispectrumofnon-sta

7、tionary,non—Gaussvibrationsignals．Theapplicationofdiscreteandcontinuouswavelettransformtogearvibrationsignalfeatureextractionandfaultdiagnosisisinvestigated．AnefficientfaultdiagnosissystembasedondiscretewavelettransformandartificialneuralnetworkiSpresented．whichCanaccuratelyest