基于盲源分离的旋转机械故障诊查方法研究.docVIP

　　基于盲源分离的旋转机械故障诊查方法研究 第 1 章 绪 论 1.1课题研究意义 制造业是国民经济的基础产业，随着工业现代化的不断推进，机械设备向着大型化，高速化，高效化，智能化的方向发展，现代机械装备系统在我国经济发展和社会生产中的作用不可替代。旋转机械是应用最为广泛的一类机械设备，是诸多工业生产领域的关键设备。但是，随着机械设备的规模不断扩大，结构更加复杂，增加了安全隐患。在机械出现故障的情况下很可能会导致连锁反应，不仅会影响到正常的生产工作，还会造成巨大的经济损失。所以，机械故障诊断方法和检测技术的研究，有重要的理论意义和现实价值。对于旋转机械故障诊断与状态检测，振动信号的故障特征提取是技术上的瓶颈，信号的分析与处理是特征提取的常用方法。在实际的旋转机械故障诊断过程中，检测诊断的对象经常是多个同时运转的机械设备。一方面，旋转机械设备自身组件的振动信息包含在传感器检测到的信号之中，其它机械设备的振动信息也不能忽略。多个振动源信号和噪声彼此耦合，形成了传感器采集到的振动观测信号；另一方面，旋转机械设备运转时产生的信号，非线性和非稳态信号占大多数，如何从观测信号中提取出描述故障设备状态的特性信息，是旋转故障诊断技术的关键所在。因此，振动源信号的提取和分离技术成为旋转机械故障诊断中的重要课题。 . 1.2旋转机械故障诊断研究现状 机械故障诊断是在现代技术的成果基础上，结合多种学科快速发展的一门新兴学科。近年来，机械故障诊断技术受到显著重视，国内外的诸多学者开展了相关的科研工作。早在上世纪 60 年代，美国就已成立了机械故障预防小组，对机械故障进行诊断和预测，并对机械设备的可靠性设计等相关领域展开了工作；加拿大阿尔伯塔大学的 LEI 等对旋转机械典型部件的故障诊断技术进行了深入探讨[1]；澳大利亚新威尔士大学的 ANTONI 等在深入理解故障信号处理和特征提取方法的基础上，进行了大量的相关研究[2]；英国的剑桥大学，谢苏尔德大学，南安普顿大学等长期从事机械设备的在线监测与故障识别的研究工作[3]；Samanta.B 运用遗传算法实现了对神经网络算法的优化，并应用与齿轮故障诊断当中[4]；Javier Sanz 等结合小波变化与自联想神经网络，实现了旋转机械的故障诊断[5]。在国内，许多学者在故障诊断领域开展了相关工作，并取得了卓有成效的成果。屈梁生等进行了大量的基于小波变换的机械故障特征提取的基础研究工作[6]；徐小力总结了旋转机械的故障预测方法[7]；上海交通大学的陈进将支持向量机与匹配追踪等算法应用于机械设备的故障诊断之中[8,9]；何正嘉使用二代小波实现了齿轮箱的故障信号的特征提取[10]；湖南大学的于德介，程军圣等对基于 Hilbert-Huang 变换的机械故障诊断技术进行了长期的研究[11]；秦树人将小波包和 EMD 算法结合，成功地实现了机械设备的故障诊断[12]；王太勇研究了基于 EMD 与支持向量机的机械故障智能诊断方法[13]；吕亚平对基于盲源分离的机械故障诊断技术进行了研究[14]，取得了很好的成果。 . 第 2 章 盲源分离的理论基础与算法研究 2.1 前言 盲源分离是指在传输信道参数和源信号均无法准确得知的情况下，从观测信号中恢复出各个源信号的过程，它属于盲信号处理(Blind Signal Processing, BSP)的范畴。盲源分离是一种功能强大的信号处理方法，具有不使用训练数据，且对系统参数不存在先验性的假设等特点。所以在科学研究与工程实践中，该方法对环境具有更广泛的适用性。由于盲信号分离方法中经常涉及到高阶统计特性分析、信息论、统计分析基础等概念，因此本章就这些基础概念内容作一下简单介绍。此外，本章还扼要地介绍了几种经典的盲源分离算法，为后面的工作做了理论上的准备。最后，提出了一种基于传统盲分离算法的改进算法，并用该方法进行了仿真与实验研究。 2.2 盲源分离算法的基本理论 根据源信号的混合方式和环境的复杂程度，根据混合系统是否为线性，可以将盲源分离分为线性混合盲分离与非线性混合盲分离；按信号的传递过程是否存在延迟可以分为瞬时混合盲分离与卷积混合盲分离。对于不同的混合方式，要采用不同的混合模型进行求解。在工程实际中，机械结构的振源信号因结构传递而产生延迟，通常用卷积矩阵来描述机械系统，这种情况对应于卷积混合模型；非线性混合模型适用于观测信号是经过源信号非线性混合的情况。因此这两种模型更接近于实际，但是解决起来较为困难，尤其是非线性 BSS 问题，当前还没有普遍的适用算法[46]；此外，当考虑一个刚度很大、位移很小的机械结构时，其振动传递延迟可忽略不计，线性混叠的假设条件近似成立。线性瞬时混合模型是盲源分离问题之中处理起来最方便，也是理论最成熟的一种混合模型。对于旋转机械试验台等小型机械设备来